LAMMPSdata.py
First version, October, 2011
 
 
Part of granules Version 0.1.0, October, 2019
  Copyright 2019: José O.  Sotero Esteva, Lyxaira M. Glass Rivera, 
  Computational Science Group, Department of Mathematics, 
  University of Puerto Rico at Humacao 
  <jose.sotero@upr.edu>.
 
  This program is free software: you can redistribute it and/or modify
  it under the terms of the GNU General Public License version 3 as published by
  the Free Software Foundation.
 
  This program is distributed in the hope that it will be useful,
  but WITHOUT ANY WARRANTY; without even the implied warranty of
  MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.  See the
  GNU General Public License for more details.
 
  You should have received a copy of the GNU General Public License
  along with this program (gpl.txt).  If not, see <http://www.gnu.org/licenses/>.
 
  Acknowledgements: The main funding source for this project has been provided
  by the UPR-Penn Partnership for Research and Education in Materials program, 
  USA National Science Foundation grant number DMR-0934195.

Modules
		numpy pandas random

Classes
		builtins.object LammpsData pandas.core.frame.DataFrame(pandas.core.generic.NDFrame) LammpsBodySection AtomPropertySection AtomsDF MassesDF VelocitiesDF ForceFieldSection AngleCoeffs BondCoeffs DihedralCoeffs ImproperCoeffs PairCoeffs MolecularTopologySections AnglDF AnglesDF BondDF BondsDF DiheDF DihedralsDF ImprDF ImpropersDF NonbDF PDB_File PSF_File   class AnglDF(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: AnglDF MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class AngleCoeffs(ForceFieldSection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: AngleCoeffs ForceFieldSection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm, angles) Extracts info from PRM and PSF objects into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object   angles : AnglesDF     AnglesDF object associateed with these AngleCoeffs Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class AnglesDF(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: AnglesDF MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm) Extracts info from ATOMS object of a PSF object into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class AtomPropertySection(LammpsBodySection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: AtomPropertySection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __init__(self, data=None, index=None, columns=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class AtomsDF(AtomPropertySection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: AtomsDF AtomPropertySection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm) Extracts info from ATOMS object of a PSF object into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class BondCoeffs(ForceFieldSection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: BondCoeffs ForceFieldSection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm, bonds) Extracts info from PRM and PSF objects into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object   bonds : BondsDF     BondsDF object associateed with these BondCoeffs Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class BondDF(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: BondDF MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class BondsDF(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: BondsDF MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm) Extracts info from ATOMS object of a PSF object into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class DiheDF(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: DiheDF MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class DihedralCoeffs(ForceFieldSection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: DihedralCoeffs ForceFieldSection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm, dihedrals) Extracts info from PRM and PSF objects into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object   dihedrals : DihedralsDF     AnglesDF object associateed with these AngleCoeffs Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class DihedralsDF(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: DihedralsDF MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm) Extracts info from ATOMS object of a PSF object into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class ForceFieldSection(LammpsBodySection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: ForceFieldSection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __init__(self, data=None, index=None, columns=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class ImprDF(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: ImprDF MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class ImproperCoeffs(ForceFieldSection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: ImproperCoeffs ForceFieldSection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm, impropers) Extracts info from PRM and PSF objects into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object   impropers : ImpropersDF     AnglesDF object associateed with these AngleCoeffs Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class ImpropersDF(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: ImpropersDF MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm) Extracts info from ATOMS object of a PSF object into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class LammpsBodySection(pandas.core.frame.DataFrame)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __init__(self, data=None, index=None, columns=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class LammpsData(builtins.object)     Holds LAMMPS data. See "Format of a data file" section in https://lammps.sandia.gov/doc/read_data.html     Methods defined here: __init__(self) self['Ellipsoids']  = EllipsoidsDF() selflines       = LinesDF() self.bodies      = BodiesDF() self.triangles   = TrianglesDF() self.bodies   = BodiesDF() charmmAngleEnergy(self) Computes CHARMM angle energy. Formula: sum K * (aij - a0)**2 charmmAngleForce(self) Computes CHARMM angle energy. Formula: sum K * (aij - a0)**2 charmmBondEnergy(self) Computes CHARMM bond energy. Formula: sum K * (bij - b0)**2 charmmBondForce(self) Computes CHARMM bond energy. Formula: sum K * (bij - b0)**2 charmmDihedralsEnergy(self) Computes CHARMM angle energy. Formula: sum K * (1 + cos(n * x - d)) charmmForce(self) charmmNonBondEnergy(self) Computes CHARMM Lennard-Jones energy. Formula: Eps,i,j[(Rmin,i,j/ri,j)**12 - 2(Rmin,i,j/ri,j)**6]         Eps,i,j = sqrt(eps,i * eps,j)         Rmin,i,j = Rmin/2,i + Rmin/2,j   Computes CHARMM Coulumb energy. Formula: qi qj/rij / epsilon_0   returns (L-J, Coulomb) charmmNonBondForce(self) Computes CHARMM Lennard-Jones energy. Formula: Eps,i,j[(Rmin,i,j/ri,j)**12 - 2(Rmin,i,j/ri,j)**6]         Eps,i,j = sqrt(eps,i * eps,j)         Rmin,i,j = Rmin/2,i + Rmin/2,j   Computes CHARMM Coulumb energy. Formula: qi qj/rij / epsilon_0   returns (L-J, Coulomb) loadNAMDdata(self, charmm) loads data from NAMDdata object into self. read(self, filename) writeConf(self, filename) Data descriptors defined here: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined)   class MassesDF(AtomPropertySection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: MassesDF AtomPropertySection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, psf_atoms, atoms) Extracts info from ATOMS object of a PSF object into self.   Parameter ----------------- psf_atoms : PSF.ATOMS     a PSF.ATOMS object   atoms     : AtomsDF     an AtomsDF object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class MolecularTopologySections(LammpsBodySection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __init__(self, data=None, index=None, columns=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class NonbDF(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: NonbDF MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class PDB_File(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: PDB_File MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class PSF_File(MolecularTopologySections)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: PSF_File MolecularTopologySections LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class PairCoeffs(ForceFieldSection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: PairCoeffs ForceFieldSection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setFromPSF(self, charmm, mass) Extracts info from PRM and PSF objects into self.   Parameter ----------------- charmm : NAMDdata     NAMDdata object   mass : MassDF     AtomsDF object associateed with these PairCoeffs Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods   class VelocitiesDF(AtomPropertySection)     Two-dimensional size-mutable, potentially heterogeneous tabular data structure with labeled axes (rows and columns). Arithmetic operations align on both row and column labels. Can be thought of as a dict-like container for Series objects. The primary pandas data structure   Parameters ---------- data : numpy ndarray (structured or homogeneous), dict, or DataFrame     Dict can contain Series, arrays, constants, or list-like objects index : Index or array-like     Index to use for resulting frame. Will default to np.arange(n) if     no indexing information part of input data and no index provided columns : Index or array-like     Column labels to use for resulting frame. Will default to     np.arange(n) if no column labels are provided dtype : dtype, default None     Data type to force. Only a single dtype is allowed. If None, infer copy : boolean, default False     Copy data from inputs. Only affects DataFrame / 2d ndarray input   Examples -------- Constructing DataFrame from a dictionary.   >>> d = {'col1': [1, 2], 'col2': [3, 4]} >>> df = pd.DataFrame(data=d) >>> df    col1  col2 0     1     3 1     2     4   Notice that the inferred dtype is int64.   >>> df.dtypes col1    int64 col2    int64 dtype: object   To enforce a single dtype:   >>> df = pd.DataFrame(data=d, dtype=np.int8) >>> df.dtypes col1    int8 col2    int8 dtype: object   Constructing DataFrame from numpy ndarray:   >>> df2 = pd.DataFrame(np.random.randint(low=0, high=10, size=(5, 5)), ...                    columns=['a', 'b', 'c', 'd', 'e']) >>> df2     a   b   c   d   e 0   2   8   8   3   4 1   4   2   9   0   9 2   1   0   7   8   0 3   5   1   7   1   3 4   6   0   2   4   2   See also -------- DataFrame.from_records : constructor from tuples, also record arrays DataFrame.from_dict : from dicts of Series, arrays, or dicts DataFrame.from_items : from sequence of (key, value) pairs pandas.read_csv, pandas.read_table, pandas.read_clipboard     Method resolution order: VelocitiesDF AtomPropertySection LammpsBodySection pandas.core.frame.DataFrame pandas.core.generic.NDFrame pandas.core.base.PandasObject pandas.core.base.StringMixin pandas.core.accessor.DirNamesMixin pandas.core.base.SelectionMixin builtins.object Methods defined here: __init__(self, data=None, dtype=None, copy=False) Initialize self.  See help(type(self)) for accurate signature. setToZero(self, atoms) Sets velocitis of atoms to zero.   Parameter ----------------- atoms     : AtomsDF     an AtomsDF object Methods inherited from LammpsBodySection: add(self, data) Addition of dataframe and other, element-wise (binary operator `add`).   Equivalent to ``dataframe + other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.radd Methods inherited from pandas.core.frame.DataFrame: __add__(self, other, axis=None, level=None, fill_value=None) Binary operator __add__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __and__(self, other, axis='columns', level=None, fill_value=None) Binary operator __and__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __div__ = __truediv__(self, other, axis=None, level=None, fill_value=None) __eq__(self, other) Wrapper for comparison method __eq__ __floordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __floordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ge__(self, other) Wrapper for comparison method __ge__ __getitem__(self, key) __gt__(self, other) Wrapper for comparison method __gt__ __iadd__ = f(self, other) __iand__ = f(self, other) __ifloordiv__ = f(self, other) __imod__ = f(self, other) __imul__ = f(self, other) __ior__ = f(self, other) __ipow__ = f(self, other) __isub__ = f(self, other) __itruediv__ = f(self, other) __ixor__ = f(self, other) __le__(self, other) Wrapper for comparison method __le__ __len__(self) Returns length of info axis, but here we use the index __lt__(self, other) Wrapper for comparison method __lt__ __mod__(self, other, axis=None, level=None, fill_value=None) Binary operator __mod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __mul__(self, other, axis=None, level=None, fill_value=None) Binary operator __mul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ne__(self, other) Wrapper for comparison method __ne__ __or__(self, other, axis='columns', level=None, fill_value=None) Binary operator __or__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __pow__(self, other, axis=None, level=None, fill_value=None) Binary operator __pow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __radd__(self, other, axis=None, level=None, fill_value=None) Binary operator __radd__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rand__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rand__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rdiv__ = __rtruediv__(self, other, axis=None, level=None, fill_value=None) __rfloordiv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rfloordiv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmod__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmod__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rmul__(self, other, axis=None, level=None, fill_value=None) Binary operator __rmul__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __ror__(self, other, axis='columns', level=None, fill_value=None) Binary operator __ror__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rpow__(self, other, axis=None, level=None, fill_value=None) Binary operator __rpow__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rsub__(self, other, axis=None, level=None, fill_value=None) Binary operator __rsub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rtruediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __rtruediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __rxor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __rxor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __setitem__(self, key, value) __sub__(self, other, axis=None, level=None, fill_value=None) Binary operator __sub__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __truediv__(self, other, axis=None, level=None, fill_value=None) Binary operator __truediv__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame __unicode__(self) Return a string representation for a particular DataFrame   Invoked by unicode(df) in py2 only. Yields a Unicode String in both py2/py3. __xor__(self, other, axis='columns', level=None, fill_value=None) Binary operator __xor__ with support to substitute a fill_value for missing data in one of the inputs   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame locations are     missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame agg = aggregate(self, func, axis=0, *args, **kwargs) aggregate(self, func, axis=0, *args, **kwargs) Aggregate using callable, string, dict, or list of string/callables   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     Function to use for aggregating the data. If a function, must either     work when passed a DataFrame or when passed to DataFrame.apply. For     a DataFrame, can pass a dict, if the keys are DataFrame column names.       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Notes ----- Numpy functions mean/median/prod/sum/std/var are special cased so the default behavior is applying the function along axis=0 (e.g., np.mean(arr_2d, axis=0)) as opposed to mimicking the default Numpy behavior (e.g., np.mean(arr_2d)).   `agg` is an alias for `aggregate`. Use the alias.   Returns ------- aggregated : DataFrame   Examples --------   >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) >>> df.iloc[3:7] = np.nan   Aggregate these functions across all columns   >>> df.agg(['sum', 'min'])             A         B         C sum -0.182253 -0.614014 -2.909534 min -1.916563 -1.460076 -1.568297   Different aggregations per column   >>> df.agg({'A' : ['sum', 'min'], 'B' : ['min', 'max']})             A         B max       NaN  1.514318 min -1.916563 -1.460076 sum -0.182253       NaN   See also -------- pandas.DataFrame.apply pandas.DataFrame.transform pandas.DataFrame.groupby.aggregate pandas.DataFrame.resample.aggregate pandas.DataFrame.rolling.aggregate align(self, other, join='outer', axis=None, level=None, copy=True, fill_value=None, method=None, limit=None, fill_axis=0, broadcast_axis=None) Align two objects on their axes with the specified join method for each axis Index   Parameters ---------- other : DataFrame or Series join : {'outer', 'inner', 'left', 'right'}, default 'outer' axis : allowed axis of the other object, default None     Align on index (0), columns (1), or both (None) level : int or level name, default None     Broadcast across a level, matching Index values on the     passed MultiIndex level copy : boolean, default True     Always returns new objects. If copy=False and no reindexing is     required then original objects are returned. fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value method : str, default None limit : int, default None fill_axis : {0 or 'index', 1 or 'columns'}, default 0     Filling axis, method and limit broadcast_axis : {0 or 'index', 1 or 'columns'}, default None     Broadcast values along this axis, if aligning two objects of     different dimensions       .. versionadded:: 0.17.0   Returns ------- (left, right) : (DataFrame, type of other)     Aligned objects all(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether all elements are True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- all : Series or DataFrame (if level specified) any(self, axis=None, bool_only=None, skipna=None, level=None, **kwargs) Return whether any element is True over requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series bool_only : boolean, default None     Include only boolean columns. If None, will attempt to use everything,     then use only boolean data. Not implemented for Series.   Returns ------- any : Series or DataFrame (if level specified) append(self, other, ignore_index=False, verify_integrity=False) Append rows of `other` to the end of this frame, returning a new object. Columns not in this frame are added as new columns.   Parameters ---------- other : DataFrame or Series/dict-like object, or list of these     The data to append. ignore_index : boolean, default False     If True, do not use the index labels. verify_integrity : boolean, default False     If True, raise ValueError on creating index with duplicates.   Returns ------- appended : DataFrame   Notes ----- If a list of dict/series is passed and the keys are all contained in the DataFrame's index, the order of the columns in the resulting DataFrame will be unchanged.   Iteratively appending rows to a DataFrame can be more computationally intensive than a single concatenate. A better solution is to append those rows to a list and then concatenate the list with the original DataFrame all at once.   See also -------- pandas.concat : General function to concatenate DataFrame, Series     or Panel objects   Examples --------   >>> df = pd.DataFrame([[1, 2], [3, 4]], columns=list('AB')) >>> df    A  B 0  1  2 1  3  4 >>> df2 = pd.DataFrame([[5, 6], [7, 8]], columns=list('AB')) >>> df.append(df2)    A  B 0  1  2 1  3  4 0  5  6 1  7  8   With `ignore_index` set to True:   >>> df.append(df2, ignore_index=True)    A  B 0  1  2 1  3  4 2  5  6 3  7  8   The following, while not recommended methods for generating DataFrames, show two ways to generate a DataFrame from multiple data sources.   Less efficient:   >>> df = pd.DataFrame(columns=['A']) >>> for i in range(5): ...     df = df.append({'A': i}, ignore_index=True) >>> df    A 0  0 1  1 2  2 3  3 4  4   More efficient:   >>> pd.concat([pd.DataFrame([i], columns=['A']) for i in range(5)], ...           ignore_index=True)    A 0  0 1  1 2  2 3  3 4  4 apply(self, func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds) Applies function along input axis of DataFrame.   Objects passed to functions are Series objects having index either the DataFrame's index (axis=0) or the columns (axis=1). Return type depends on whether passed function aggregates, or the reduce argument if the DataFrame is empty.   Parameters ---------- func : function     Function to apply to each column/row axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index': apply function to each column     * 1 or 'columns': apply function to each row broadcast : boolean, default False     For aggregation functions, return object of same size with values     propagated raw : boolean, default False     If False, convert each row or column into a Series. If raw=True the     passed function will receive ndarray objects instead. If you are     just applying a NumPy reduction function this will achieve much     better performance reduce : boolean or None, default None     Try to apply reduction procedures. If the DataFrame is empty,     apply will use reduce to determine whether the result should be a     Series or a DataFrame. If reduce is None (the default), apply's     return value will be guessed by calling func an empty Series (note:     while guessing, exceptions raised by func will be ignored). If     reduce is True a Series will always be returned, and if False a     DataFrame will always be returned. args : tuple     Positional arguments to pass to function in addition to the     array/series Additional keyword arguments will be passed as keywords to the function   Notes ----- In the current implementation apply calls func twice on the first column/row to decide whether it can take a fast or slow code path. This can lead to unexpected behavior if func has side-effects, as they will take effect twice for the first column/row.   Examples -------- >>> df.apply(numpy.sqrt) # returns DataFrame >>> df.apply(numpy.sum, axis=0) # equiv to df.sum(0) >>> df.apply(numpy.sum, axis=1) # equiv to df.sum(1)   See also -------- DataFrame.applymap: For elementwise operations DataFrame.aggregate: only perform aggregating type operations DataFrame.transform: only perform transformating type operations   Returns ------- applied : Series or DataFrame applymap(self, func) Apply a function to a DataFrame that is intended to operate elementwise, i.e. like doing map(func, series) for each series in the DataFrame   Parameters ---------- func : function     Python function, returns a single value from a single value   Examples --------   >>> df = pd.DataFrame(np.random.randn(3, 3)) >>> df     0         1          2 0  -0.029638  1.081563   1.280300 1   0.647747  0.831136  -1.549481 2   0.513416 -0.884417   0.195343 >>> df = df.applymap(lambda x: '%.2f' % x) >>> df     0         1          2 0  -0.03      1.08       1.28 1   0.65      0.83      -1.55 2   0.51     -0.88       0.20   Returns ------- applied : DataFrame   See also -------- DataFrame.apply : For operations on rows/columns assign(self, **kwargs) Assign new columns to a DataFrame, returning a new object (a copy) with all the original columns in addition to the new ones.   Parameters ---------- kwargs : keyword, value pairs     keywords are the column names. If the values are     callable, they are computed on the DataFrame and     assigned to the new columns. The callable must not     change input DataFrame (though pandas doesn't check it).     If the values are not callable, (e.g. a Series, scalar, or array),     they are simply assigned.   Returns ------- df : DataFrame     A new DataFrame with the new columns in addition to     all the existing columns.   Notes ----- For python 3.6 and above, the columns are inserted in the order of \*\*kwargs. For python 3.5 and earlier, since \*\*kwargs is unordered, the columns are inserted in alphabetical order at the end of your DataFrame.  Assigning multiple columns within the same ``assign`` is possible, but you cannot reference other columns created within the same ``assign`` call.   Examples -------- >>> df = DataFrame({'A': range(1, 11), 'B': np.random.randn(10)})   Where the value is a callable, evaluated on `df`:   >>> df.assign(ln_A = lambda x: np.log(x.A))     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585   Where the value already exists and is inserted:   >>> newcol = np.log(df['A']) >>> df.assign(ln_A=newcol)     A         B      ln_A 0   1  0.426905  0.000000 1   2 -0.780949  0.693147 2   3 -0.418711  1.098612 3   4 -0.269708  1.386294 4   5 -0.274002  1.609438 5   6 -0.500792  1.791759 6   7  1.649697  1.945910 7   8 -1.495604  2.079442 8   9  0.549296  2.197225 9  10 -0.758542  2.302585 boxplot = boxplot_frame(self, column=None, by=None, ax=None, fontsize=None, rot=0, grid=True, figsize=None, layout=None, return_type=None, **kwds) Make a box plot from DataFrame column optionally grouped by some columns or other inputs   Parameters ---------- data : the pandas object holding the data column : column name or list of names, or vector     Can be any valid input to groupby by : string or sequence     Column in the DataFrame to group by ax : Matplotlib axes object, optional fontsize : int or string rot : label rotation angle figsize : A tuple (width, height) in inches grid : Setting this to True will show the grid layout : tuple (optional)     (rows, columns) for the layout of the plot return_type : {None, 'axes', 'dict', 'both'}, default None     The kind of object to return. The default is ``axes``     'axes' returns the matplotlib axes the boxplot is drawn on;     'dict' returns a dictionary  whose values are the matplotlib     Lines of the boxplot;     'both' returns a namedtuple with the axes and dict.       When grouping with ``by``, a Series mapping columns to ``return_type``     is returned, unless ``return_type`` is None, in which case a NumPy     array of axes is returned with the same shape as ``layout``.     See the prose documentation for more.   kwds : other plotting keyword arguments to be passed to matplotlib boxplot        function   Returns ------- lines : dict ax : matplotlib Axes (ax, lines): namedtuple   Notes ----- Use ``return_type='dict'`` when you want to tweak the appearance of the lines after plotting. In this case a dict containing the Lines making up the boxes, caps, fliers, medians, and whiskers is returned. combine(self, other, func, fill_value=None, overwrite=True) Add two DataFrame objects and do not propagate NaN values, so if for a (column, time) one frame is missing a value, it will default to the other frame's value (which might be NaN as well)   Parameters ---------- other : DataFrame func : function     Function that takes two series as inputs and return a Series or a     scalar fill_value : scalar value overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame   Returns ------- result : DataFrame   Examples -------- >>> df1 = DataFrame({'A': [0, 0], 'B': [4, 4]}) >>> df2 = DataFrame({'A': [1, 1], 'B': [3, 3]}) >>> df1.combine(df2, lambda s1, s2: s1 if s1.sum() < s2.sum() else s2)    A  B 0  0  3 1  0  3   See Also -------- DataFrame.combine_first : Combine two DataFrame objects and default to     non-null values in frame calling the method combine_first(self, other) Combine two DataFrame objects and default to non-null values in frame calling the method. Result index columns will be the union of the respective indexes and columns   Parameters ---------- other : DataFrame   Returns ------- combined : DataFrame   Examples -------- df1's values prioritized, use values from df2 to fill holes:   >>> df1 = pd.DataFrame([[1, np.nan]]) >>> df2 = pd.DataFrame([[3, 4]]) >>> df1.combine_first(df2)    0    1 0  1  4.0   See Also -------- DataFrame.combine : Perform series-wise operation on two DataFrames     using a given function compound(self, axis=None, skipna=None, level=None) Return the compound percentage of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- compounded : Series or DataFrame (if level specified) corr(self, method='pearson', min_periods=1) Compute pairwise correlation of columns, excluding NA/null values   Parameters ---------- method : {'pearson', 'kendall', 'spearman'}     * pearson : standard correlation coefficient     * kendall : Kendall Tau correlation coefficient     * spearman : Spearman rank correlation min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result. Currently only available for pearson     and spearman correlation   Returns ------- y : DataFrame corrwith(self, other, axis=0, drop=False) Compute pairwise correlation between rows or columns of two DataFrame objects.   Parameters ---------- other : DataFrame axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' to compute column-wise, 1 or 'columns' for row-wise drop : boolean, default False     Drop missing indices from result, default returns union of all   Returns ------- correls : Series count(self, axis=0, level=None, numeric_only=False) Return Series with number of non-NA/null observations over requested axis. Works with non-floating point data as well (detects NaN and None)   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a DataFrame numeric_only : boolean, default False     Include only float, int, boolean data   Returns ------- count : Series (or DataFrame if level specified) cov(self, min_periods=None) Compute pairwise covariance of columns, excluding NA/null values   Parameters ---------- min_periods : int, optional     Minimum number of observations required per pair of columns     to have a valid result.   Returns ------- y : DataFrame   Notes ----- `y` contains the covariance matrix of the DataFrame's time series. The covariance is normalized by N-1 (unbiased estimator). cummax(self, axis=None, skipna=True, *args, **kwargs) Return cumulative max over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummax : Series       See also -------- pandas.core.window.Expanding.max : Similar functionality     but ignores ``NaN`` values. cummin(self, axis=None, skipna=True, *args, **kwargs) Return cumulative minimum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cummin : Series       See also -------- pandas.core.window.Expanding.min : Similar functionality     but ignores ``NaN`` values. cumprod(self, axis=None, skipna=True, *args, **kwargs) Return cumulative product over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumprod : Series       See also -------- pandas.core.window.Expanding.prod : Similar functionality     but ignores ``NaN`` values. cumsum(self, axis=None, skipna=True, *args, **kwargs) Return cumulative sum over requested axis.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA   Returns ------- cumsum : Series       See also -------- pandas.core.window.Expanding.sum : Similar functionality     but ignores ``NaN`` values. diff(self, periods=1, axis=0) 1st discrete difference of object   Parameters ---------- periods : int, default 1     Periods to shift for forming difference axis : {0 or 'index', 1 or 'columns'}, default 0     Take difference over rows (0) or columns (1).       .. versionadded: 0.16.1   Returns ------- diffed : DataFrame div = truediv(self, other, axis='columns', level=None, fill_value=None) divide = truediv(self, other, axis='columns', level=None, fill_value=None) dot(self, other) Matrix multiplication with DataFrame or Series objects   Parameters ---------- other : DataFrame or Series   Returns ------- dot_product : DataFrame or Series drop_duplicates(self, subset=None, keep='first', inplace=False) Return DataFrame with duplicate rows removed, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Drop duplicates except for the first occurrence.     - ``last`` : Drop duplicates except for the last occurrence.     - False : Drop all duplicates. inplace : boolean, default False     Whether to drop duplicates in place or to return a copy   Returns ------- deduplicated : DataFrame dropna(self, axis=0, how='any', thresh=None, subset=None, inplace=False) Return object with labels on given axis omitted where alternately any or all of the data are missing   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, or tuple/list thereof     Pass tuple or list to drop on multiple axes how : {'any', 'all'}     * any : if any NA values are present, drop that label     * all : if all values are NA, drop that label thresh : int, default None     int value : require that many non-NA values subset : array-like     Labels along other axis to consider, e.g. if you are dropping rows     these would be a list of columns to include inplace : boolean, default False     If True, do operation inplace and return None.   Returns ------- dropped : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5]], ...                   columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Drop the columns where all elements are nan:   >>> df.dropna(axis=1, how='all')      A    B  D 0  NaN  2.0  0 1  3.0  4.0  1 2  NaN  NaN  5   Drop the columns where any of the elements is nan   >>> df.dropna(axis=1, how='any')    D 0  0 1  1 2  5   Drop the rows where all of the elements are nan (there is no row to drop, so df stays the same):   >>> df.dropna(axis=0, how='all')      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5   Keep only the rows with at least 2 non-na values:   >>> df.dropna(thresh=2)      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 duplicated(self, subset=None, keep='first') Return boolean Series denoting duplicate rows, optionally only considering certain columns   Parameters ---------- subset : column label or sequence of labels, optional     Only consider certain columns for identifying duplicates, by     default use all of the columns keep : {'first', 'last', False}, default 'first'     - ``first`` : Mark duplicates as ``True`` except for the       first occurrence.     - ``last`` : Mark duplicates as ``True`` except for the       last occurrence.     - False : Mark all duplicates as ``True``.   Returns ------- duplicated : Series eq(self, other, axis='columns', level=None) Wrapper for flexible comparison methods eq eval(self, expr, inplace=False, **kwargs) Evaluate an expression in the context of the calling DataFrame instance.   Parameters ---------- expr : string     The expression string to evaluate. inplace : bool, default False     If the expression contains an assignment, whether to perform the     operation inplace and mutate the existing DataFrame. Otherwise,     a new DataFrame is returned.       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`~pandas.eval` for complete details     on the keyword arguments accepted by     :meth:`~pandas.DataFrame.query`.   Returns ------- ret : ndarray, scalar, or pandas object   See Also -------- pandas.DataFrame.query pandas.DataFrame.assign pandas.eval   Notes ----- For more details see the API documentation for :func:`~pandas.eval`. For detailed examples see :ref:`enhancing performance with eval <enhancingperf.eval>`.   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.eval('a + b') >>> df.eval('c = a + b') ewm(self, com=None, span=None, halflife=None, alpha=None, min_periods=0, freq=None, adjust=True, ignore_na=False, axis=0) Provides exponential weighted functions   .. versionadded:: 0.18.0   Parameters ---------- com : float, optional     Specify decay in terms of center of mass,     :math:`\alpha = 1 / (1 + com),\text{ for } com \geq 0` span : float, optional     Specify decay in terms of span,     :math:`\alpha = 2 / (span + 1),\text{ for } span \geq 1` halflife : float, optional     Specify decay in terms of half-life,     :math:`\alpha = 1 - exp(log(0.5) / halflife),\text{ for } halflife > 0` alpha : float, optional     Specify smoothing factor :math:`\alpha` directly,     :math:`0 < \alpha \leq 1`       .. versionadded:: 0.18.0   min_periods : int, default 0     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : None or string alias / date offset object, default=None     .. deprecated:: 0.18.0        Frequency to conform to before computing statistic adjust : boolean, default True     Divide by decaying adjustment factor in beginning periods to account     for imbalance in relative weightings (viewing EWMA as a moving average) ignore_na : boolean, default False     Ignore missing values when calculating weights;     specify True to reproduce pre-0.15.0 behavior   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.ewm(com=0.5).mean()           B 0  0.000000 1  0.750000 2  1.615385 3  1.615385 4  3.670213   Notes ----- Exactly one of center of mass, span, half-life, and alpha must be provided. Allowed values and relationship between the parameters are specified in the parameter descriptions above; see the link at the end of this section for a detailed explanation.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   When adjust is True (default), weighted averages are calculated using weights (1-alpha)**(n-1), (1-alpha)**(n-2), ..., 1-alpha, 1.   When adjust is False, weighted averages are calculated recursively as:    weighted_average[0] = arg[0];    weighted_average[i] = (1-alpha)*weighted_average[i-1] + alpha*arg[i].   When ignore_na is False (default), weights are based on absolute positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are (1-alpha)**2 and 1 (if adjust is True), and (1-alpha)**2 and alpha (if adjust is False).   When ignore_na is True (reproducing pre-0.15.0 behavior), weights are based on relative positions. For example, the weights of x and y used in calculating the final weighted average of [x, None, y] are 1-alpha and 1 (if adjust is True), and 1-alpha and alpha (if adjust is False).   More details can be found at http://pandas.pydata.org/pandas-docs/stable/computation.html#exponentially-weighted-windows expanding(self, min_periods=1, freq=None, center=False, axis=0) Provides expanding transformations.   .. versionadded:: 0.18.0   Parameters ---------- min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. axis : int or string, default 0   Returns ------- a Window sub-classed for the particular operation   Examples --------   >>> df = DataFrame({'B': [0, 1, 2, np.nan, 4]})      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   >>> df.expanding(2).sum()      B 0  NaN 1  1.0 2  3.0 3  3.0 4  7.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`). fillna(self, value=None, method=None, axis=None, inplace=False, limit=None, downcast=None, **kwargs) Fill NA/NaN values using the specified method   Parameters ---------- value : scalar, dict, Series, or DataFrame     Value to use to fill holes (e.g. 0), alternately a     dict/Series/DataFrame of values specifying which value to use for     each index (for a Series) or column (for a DataFrame). (values not     in the dict/Series/DataFrame will not be filled). This value cannot     be a list. method : {'backfill', 'bfill', 'pad', 'ffill', None}, default None     Method to use for filling holes in reindexed Series     pad / ffill: propagate last valid observation forward to next valid     backfill / bfill: use NEXT valid observation to fill gap axis : {0 or 'index', 1 or 'columns'} inplace : boolean, default False     If True, fill in place. Note: this will modify any     other views on this object, (e.g. a no-copy slice for a column in a     DataFrame). limit : int, default None     If method is specified, this is the maximum number of consecutive     NaN values to forward/backward fill. In other words, if there is     a gap with more than this number of consecutive NaNs, it will only     be partially filled. If method is not specified, this is the     maximum number of entries along the entire axis where NaNs will be     filled. Must be greater than 0 if not None. downcast : dict, default is None     a dict of item->dtype of what to downcast if possible,     or the string 'infer' which will try to downcast to an appropriate     equal type (e.g. float64 to int64 if possible)   See Also -------- reindex, asfreq   Returns ------- filled : DataFrame   Examples -------- >>> df = pd.DataFrame([[np.nan, 2, np.nan, 0], ...                    [3, 4, np.nan, 1], ...                    [np.nan, np.nan, np.nan, 5], ...                    [np.nan, 3, np.nan, 4]], ...                    columns=list('ABCD')) >>> df      A    B   C  D 0  NaN  2.0 NaN  0 1  3.0  4.0 NaN  1 2  NaN  NaN NaN  5 3  NaN  3.0 NaN  4   Replace all NaN elements with 0s.   >>> df.fillna(0)     A   B   C   D 0   0.0 2.0 0.0 0 1   3.0 4.0 0.0 1 2   0.0 0.0 0.0 5 3   0.0 3.0 0.0 4   We can also propagate non-null values forward or backward.   >>> df.fillna(method='ffill')     A   B   C   D 0   NaN 2.0 NaN 0 1   3.0 4.0 NaN 1 2   3.0 4.0 NaN 5 3   3.0 3.0 NaN 4   Replace all NaN elements in column 'A', 'B', 'C', and 'D', with 0, 1, 2, and 3 respectively.   >>> values = {'A': 0, 'B': 1, 'C': 2, 'D': 3} >>> df.fillna(value=values)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 2.0 1 2   0.0 1.0 2.0 5 3   0.0 3.0 2.0 4   Only replace the first NaN element.   >>> df.fillna(value=values, limit=1)     A   B   C   D 0   0.0 2.0 2.0 0 1   3.0 4.0 NaN 1 2   NaN 1.0 NaN 5 3   NaN 3.0 NaN 4 first_valid_index(self) Return index for first non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index floordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `floordiv`).   Equivalent to ``dataframe // other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rfloordiv ge(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ge get_value(self, index, col, takeable=False) Quickly retrieve single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label takeable : interpret the index/col as indexers, default False   Returns ------- value : scalar value gt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods gt hist = hist_frame(data, column=None, by=None, grid=True, xlabelsize=None, xrot=None, ylabelsize=None, yrot=None, ax=None, sharex=False, sharey=False, figsize=None, layout=None, bins=10, **kwds) Draw histogram of the DataFrame's series using matplotlib / pylab.   Parameters ---------- data : DataFrame column : string or sequence     If passed, will be used to limit data to a subset of columns by : object, optional     If passed, then used to form histograms for separate groups grid : boolean, default True     Whether to show axis grid lines xlabelsize : int, default None     If specified changes the x-axis label size xrot : float, default None     rotation of x axis labels ylabelsize : int, default None     If specified changes the y-axis label size yrot : float, default None     rotation of y axis labels ax : matplotlib axes object, default None sharex : boolean, default True if ax is None else False     In case subplots=True, share x axis and set some x axis labels to     invisible; defaults to True if ax is None otherwise False if an ax     is passed in; Be aware, that passing in both an ax and sharex=True     will alter all x axis labels for all subplots in a figure! sharey : boolean, default False     In case subplots=True, share y axis and set some y axis labels to     invisible figsize : tuple     The size of the figure to create in inches by default layout : tuple, optional     Tuple of (rows, columns) for the layout of the histograms bins : integer, default 10     Number of histogram bins to be used kwds : other plotting keyword arguments     To be passed to hist function idxmax(self, axis=0, skipna=True) Return index of first occurrence of maximum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmax : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmax``.   See Also -------- Series.idxmax idxmin(self, axis=0, skipna=True) Return index of first occurrence of minimum over requested axis. NA/null values are excluded.   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     0 or 'index' for row-wise, 1 or 'columns' for column-wise skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA.   Raises ------ ValueError     * If the row/column is empty   Returns ------- idxmin : Series   Notes ----- This method is the DataFrame version of ``ndarray.argmin``.   See Also -------- Series.idxmin info(self, verbose=None, buf=None, max_cols=None, memory_usage=None, null_counts=None) Concise summary of a DataFrame.   Parameters ---------- verbose : {None, True, False}, optional     Whether to print the full summary.     None follows the `display.max_info_columns` setting.     True or False overrides the `display.max_info_columns` setting. buf : writable buffer, defaults to sys.stdout max_cols : int, default None     Determines whether full summary or short summary is printed.     None follows the `display.max_info_columns` setting. memory_usage : boolean/string, default None     Specifies whether total memory usage of the DataFrame     elements (including index) should be displayed. None follows     the `display.memory_usage` setting. True or False overrides     the `display.memory_usage` setting. A value of 'deep' is equivalent     of True, with deep introspection. Memory usage is shown in     human-readable units (base-2 representation). null_counts : boolean, default None     Whether to show the non-null counts       - If None, then only show if the frame is smaller than       max_info_rows and max_info_columns.     - If True, always show counts.     - If False, never show counts. insert(self, loc, column, value, allow_duplicates=False) Insert column into DataFrame at specified location.   Raises a ValueError if `column` is already contained in the DataFrame, unless `allow_duplicates` is set to True.   Parameters ---------- loc : int     Insertion index. Must verify 0 <= loc <= len(columns) column : string, number, or hashable object     label of the inserted column value : int, Series, or array-like allow_duplicates : bool, optional isin(self, values) Return boolean DataFrame showing whether each element in the DataFrame is contained in values.   Parameters ---------- values : iterable, Series, DataFrame or dictionary     The result will only be true at a location if all the     labels match. If `values` is a Series, that's the index. If     `values` is a dictionary, the keys must be the column names,     which must match. If `values` is a DataFrame,     then both the index and column labels must match.   Returns -------   DataFrame of booleans   Examples -------- When ``values`` is a list:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> df.isin([1, 3, 12, 'a'])        A      B 0   True   True 1  False  False 2   True  False   When ``values`` is a dict:   >>> df = DataFrame({'A': [1, 2, 3], 'B': [1, 4, 7]}) >>> df.isin({'A': [1, 3], 'B': [4, 7, 12]})        A      B 0   True  False  # Note that B didn't match the 1 here. 1  False   True 2   True   True   When ``values`` is a Series or DataFrame:   >>> df = DataFrame({'A': [1, 2, 3], 'B': ['a', 'b', 'f']}) >>> other = DataFrame({'A': [1, 3, 3, 2], 'B': ['e', 'f', 'f', 'e']}) >>> df.isin(other)        A      B 0   True  False 1  False  False  # Column A in `other` has a 3, but not at index 1. 2   True   True isna(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna isnull(self) Return a boolean same-sized object indicating if the values are NA.   See Also -------- DataFrame.notna : boolean inverse of isna DataFrame.isnull : alias of isna isna : top-level isna items = iteritems(self) iteritems(self) Iterator over (column name, Series) pairs.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. itertuples : Iterate over DataFrame rows as namedtuples of the values. iterrows(self) Iterate over DataFrame rows as (index, Series) pairs.   Notes -----   1. Because ``iterrows`` returns a Series for each row,    it does **not** preserve dtypes across the rows (dtypes are    preserved across columns for DataFrames). For example,      >>> df = pd.DataFrame([[1, 1.5]], columns=['int', 'float'])    >>> row = next(df.iterrows())[1]    >>> row    int      1.0    float    1.5    Name: 0, dtype: float64    >>> print(row['int'].dtype)    float64    >>> print(df['int'].dtype)    int64      To preserve dtypes while iterating over the rows, it is better    to use :meth:`itertuples` which returns namedtuples of the values    and which is generally faster than ``iterrows``.   2. You should **never modify** something you are iterating over.    This is not guaranteed to work in all cases. Depending on the    data types, the iterator returns a copy and not a view, and writing    to it will have no effect.   Returns ------- it : generator     A generator that iterates over the rows of the frame.   See also -------- itertuples : Iterate over DataFrame rows as namedtuples of the values. iteritems : Iterate over (column name, Series) pairs. itertuples(self, index=True, name='Pandas') Iterate over DataFrame rows as namedtuples, with index value as first element of the tuple.   Parameters ---------- index : boolean, default True     If True, return the index as the first element of the tuple. name : string, default "Pandas"     The name of the returned namedtuples or None to return regular     tuples.   Notes ----- The column names will be renamed to positional names if they are invalid Python identifiers, repeated, or start with an underscore. With a large number of columns (>255), regular tuples are returned.   See also -------- iterrows : Iterate over DataFrame rows as (index, Series) pairs. iteritems : Iterate over (column name, Series) pairs.   Examples --------   >>> df = pd.DataFrame({'col1': [1, 2], 'col2': [0.1, 0.2]},                       index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> for row in df.itertuples(): ...     print(row) ... Pandas(Index='a', col1=1, col2=0.10000000000000001) Pandas(Index='b', col1=2, col2=0.20000000000000001) join(self, other, on=None, how='left', lsuffix='', rsuffix='', sort=False) Join columns with other DataFrame either on index or on a key column. Efficiently Join multiple DataFrame objects by index at once by passing a list.   Parameters ---------- other : DataFrame, Series with name field set, or list of DataFrame     Index should be similar to one of the columns in this one. If a     Series is passed, its name attribute must be set, and that will be     used as the column name in the resulting joined DataFrame on : column name, tuple/list of column names, or array-like     Column(s) in the caller to join on the index in other,     otherwise joins index-on-index. If multiples     columns given, the passed DataFrame must have a MultiIndex. Can     pass an array as the join key if not already contained in the     calling DataFrame. Like an Excel VLOOKUP operation how : {'left', 'right', 'outer', 'inner'}, default: 'left'     How to handle the operation of the two objects.       * left: use calling frame's index (or column if on is specified)     * right: use other frame's index     * outer: form union of calling frame's index (or column if on is       specified) with other frame's index, and sort it       lexicographically     * inner: form intersection of calling frame's index (or column if       on is specified) with other frame's index, preserving the order       of the calling's one lsuffix : string     Suffix to use from left frame's overlapping columns rsuffix : string     Suffix to use from right frame's overlapping columns sort : boolean, default False     Order result DataFrame lexicographically by the join key. If False,     the order of the join key depends on the join type (how keyword)   Notes ----- on, lsuffix, and rsuffix options are not supported when passing a list of DataFrame objects   Examples -------- >>> caller = pd.DataFrame({'key': ['K0', 'K1', 'K2', 'K3', 'K4', 'K5'], ...                        'A': ['A0', 'A1', 'A2', 'A3', 'A4', 'A5']})   >>> caller     A key 0  A0  K0 1  A1  K1 2  A2  K2 3  A3  K3 4  A4  K4 5  A5  K5   >>> other = pd.DataFrame({'key': ['K0', 'K1', 'K2'], ...                       'B': ['B0', 'B1', 'B2']})   >>> other     B key 0  B0  K0 1  B1  K1 2  B2  K2   Join DataFrames using their indexes.   >>> caller.join(other, lsuffix='_caller', rsuffix='_other')   >>>     A key_caller    B key_other     0  A0         K0   B0        K0     1  A1         K1   B1        K1     2  A2         K2   B2        K2     3  A3         K3  NaN       NaN     4  A4         K4  NaN       NaN     5  A5         K5  NaN       NaN     If we want to join using the key columns, we need to set key to be the index in both caller and other. The joined DataFrame will have key as its index.   >>> caller.set_index('key').join(other.set_index('key'))   >>>      A    B     key     K0   A0   B0     K1   A1   B1     K2   A2   B2     K3   A3  NaN     K4   A4  NaN     K5   A5  NaN   Another option to join using the key columns is to use the on parameter. DataFrame.join always uses other's index but we can use any column in the caller. This method preserves the original caller's index in the result.   >>> caller.join(other.set_index('key'), on='key')   >>>     A key    B     0  A0  K0   B0     1  A1  K1   B1     2  A2  K2   B2     3  A3  K3  NaN     4  A4  K4  NaN     5  A5  K5  NaN     See also -------- DataFrame.merge : For column(s)-on-columns(s) operations   Returns ------- joined : DataFrame kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased kurtosis over requested axis using Fisher's definition of kurtosis (kurtosis of normal == 0.0). Normalized by N-1     Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- kurt : Series or DataFrame (if level specified) kurtosis = kurt(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) last_valid_index(self) Return index for last non-NA/null value.   Notes -------- If all elements are non-NA/null, returns None. Also returns None for empty DataFrame.   Returns -------- scalar : type of index le(self, other, axis='columns', level=None) Wrapper for flexible comparison methods le lookup(self, row_labels, col_labels) Label-based "fancy indexing" function for DataFrame. Given equal-length arrays of row and column labels, return an array of the values corresponding to each (row, col) pair.   Parameters ---------- row_labels : sequence     The row labels to use for lookup col_labels : sequence     The column labels to use for lookup   Notes ----- Akin to::       result = []     for row, col in zip(row_labels, col_labels):         result.append(df.get_value(row, col))   Examples -------- values : ndarray     The found values lt(self, other, axis='columns', level=None) Wrapper for flexible comparison methods lt mad(self, axis=None, skipna=None, level=None) Return the mean absolute deviation of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mad : Series or DataFrame (if level specified) max(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the maximum of the values in the object.             If you want the *index* of the maximum, use ``idxmax``. This is             the equivalent of the ``numpy.ndarray`` method ``argmax``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- max : Series or DataFrame (if level specified) mean(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the mean of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- mean : Series or DataFrame (if level specified) median(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return the median of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- median : Series or DataFrame (if level specified) melt(self, id_vars=None, value_vars=None, var_name=None, value_name='value', col_level=None) "Unpivots" a DataFrame from wide format to long format, optionally leaving identifier variables set.   This function is useful to massage a DataFrame into a format where one or more columns are identifier variables (`id_vars`), while all other columns, considered measured variables (`value_vars`), are "unpivoted" to the row axis, leaving just two non-identifier columns, 'variable' and 'value'.   .. versionadded:: 0.20.0   Parameters ---------- frame : DataFrame id_vars : tuple, list, or ndarray, optional     Column(s) to use as identifier variables. value_vars : tuple, list, or ndarray, optional     Column(s) to unpivot. If not specified, uses all columns that     are not set as `id_vars`. var_name : scalar     Name to use for the 'variable' column. If None it uses     ``frame.columns.name`` or 'variable'. value_name : scalar, default 'value'     Name to use for the 'value' column. col_level : int or string, optional     If columns are a MultiIndex then use this level to melt.   See also -------- melt pivot_table DataFrame.pivot   Examples -------- >>> import pandas as pd >>> df = pd.DataFrame({'A': {0: 'a', 1: 'b', 2: 'c'}, ...                    'B': {0: 1, 1: 3, 2: 5}, ...                    'C': {0: 2, 1: 4, 2: 6}}) >>> df    A  B  C 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=['A'], value_vars=['B', 'C'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5 3  a        C      2 4  b        C      4 5  c        C      6   The names of 'variable' and 'value' columns can be customized:   >>> df.melt(id_vars=['A'], value_vars=['B'], ...         var_name='myVarname', value_name='myValname')    A myVarname  myValname 0  a         B          1 1  b         B          3 2  c         B          5   If you have multi-index columns:   >>> df.columns = [list('ABC'), list('DEF')] >>> df    A  B  C    D  E  F 0  a  1  2 1  b  3  4 2  c  5  6   >>> df.melt(col_level=0, id_vars=['A'], value_vars=['B'])    A variable  value 0  a        B      1 1  b        B      3 2  c        B      5   >>> df.melt(id_vars=[('A', 'D')], value_vars=[('B', 'E')])   (A, D) variable_0 variable_1  value 0      a          B          E      1 1      b          B          E      3 2      c          B          E      5 memory_usage(self, index=True, deep=False) Memory usage of DataFrame columns.   Parameters ---------- index : bool     Specifies whether to include memory usage of DataFrame's     index in returned Series. If `index=True` (default is False)     the first index of the Series is `Index`. deep : bool     Introspect the data deeply, interrogate     `object` dtypes for system-level memory consumption   Returns ------- sizes : Series     A series with column names as index and memory usage of     columns with units of bytes.   Notes ----- Memory usage does not include memory consumed by elements that are not components of the array if deep=False   See Also -------- numpy.ndarray.nbytes merge(self, right, how='inner', on=None, left_on=None, right_on=None, left_index=False, right_index=False, sort=False, suffixes=('_x', '_y'), copy=True, indicator=False, validate=None) Merge DataFrame objects by performing a database-style join operation by columns or indexes.   If joining columns on columns, the DataFrame indexes *will be ignored*. Otherwise if joining indexes on indexes or indexes on a column or columns, the index will be passed on.   Parameters ---------- right : DataFrame how : {'left', 'right', 'outer', 'inner'}, default 'inner'     * left: use only keys from left frame, similar to a SQL left outer join;       preserve key order     * right: use only keys from right frame, similar to a SQL right outer join;       preserve key order     * outer: use union of keys from both frames, similar to a SQL full outer       join; sort keys lexicographically     * inner: use intersection of keys from both frames, similar to a SQL inner       join; preserve the order of the left keys on : label or list     Field names to join on. Must be found in both DataFrames. If on is     None and not merging on indexes, then it merges on the intersection of     the columns by default. left_on : label or list, or array-like     Field names to join on in left DataFrame. Can be a vector or list of     vectors of the length of the DataFrame to use a particular vector as     the join key instead of columns right_on : label or list, or array-like     Field names to join on in right DataFrame or vector/list of vectors per     left_on docs left_index : boolean, default False     Use the index from the left DataFrame as the join key(s). If it is a     MultiIndex, the number of keys in the other DataFrame (either the index     or a number of columns) must match the number of levels right_index : boolean, default False     Use the index from the right DataFrame as the join key. Same caveats as     left_index sort : boolean, default False     Sort the join keys lexicographically in the result DataFrame. If False,     the order of the join keys depends on the join type (how keyword) suffixes : 2-length sequence (tuple, list, ...)     Suffix to apply to overlapping column names in the left and right     side, respectively copy : boolean, default True     If False, do not copy data unnecessarily indicator : boolean or string, default False     If True, adds a column to output DataFrame called "_merge" with     information on the source of each row.     If string, column with information on source of each row will be added to     output DataFrame, and column will be named value of string.     Information column is Categorical-type and takes on a value of "left_only"     for observations whose merge key only appears in 'left' DataFrame,     "right_only" for observations whose merge key only appears in 'right'     DataFrame, and "both" if the observation's merge key is found in both.       .. versionadded:: 0.17.0   validate : string, default None     If specified, checks if merge is of specified type.       * "one_to_one" or "1:1": check if merge keys are unique in both       left and right datasets.     * "one_to_many" or "1:m": check if merge keys are unique in left       dataset.     * "many_to_one" or "m:1": check if merge keys are unique in right       dataset.     * "many_to_many" or "m:m": allowed, but does not result in checks.       .. versionadded:: 0.21.0   Examples --------   >>> A              >>> B     lkey value         rkey value 0   foo  1         0   foo  5 1   bar  2         1   bar  6 2   baz  3         2   qux  7 3   foo  4         3   bar  8   >>> A.merge(B, left_on='lkey', right_on='rkey', how='outer')    lkey  value_x  rkey  value_y 0  foo   1        foo   5 1  foo   4        foo   5 2  bar   2        bar   6 3  bar   2        bar   8 4  baz   3        NaN   NaN 5  NaN   NaN      qux   7   Returns ------- merged : DataFrame     The output type will the be same as 'left', if it is a subclass     of DataFrame.   See also -------- merge_ordered merge_asof min(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) This method returns the minimum of the values in the object.             If you want the *index* of the minimum, use ``idxmin``. This is             the equivalent of the ``numpy.ndarray`` method ``argmin``.   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- min : Series or DataFrame (if level specified) mod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `mod`).   Equivalent to ``dataframe % other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmod mode(self, axis=0, numeric_only=False) Gets the mode(s) of each element along the axis selected. Adds a row for each mode per label, fills in gaps with nan.   Note that there could be multiple values returned for the selected axis (when more than one item share the maximum frequency), which is the reason why a dataframe is returned. If you want to impute missing values with the mode in a dataframe ``df``, you can just do this: ``df.fillna(df.mode().iloc[0])``   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     * 0 or 'index' : get mode of each column     * 1 or 'columns' : get mode of each row numeric_only : boolean, default False     if True, only apply to numeric columns   Returns ------- modes : DataFrame (sorted)   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 1, 2, 1, 2, 3]}) >>> df.mode()    A 0  1 1  2 mul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `mul`).   Equivalent to ``dataframe * other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rmul multiply = mul(self, other, axis='columns', level=None, fill_value=None) ne(self, other, axis='columns', level=None) Wrapper for flexible comparison methods ne nlargest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` largest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nlargest(3, 'a')     a  b   c 3  11  c   3 1  10  b   2 2   8  d NaN notna(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna notnull(self) Return a boolean same-sized object indicating if the values are not NA.   See Also -------- DataFrame.isna : boolean inverse of notna DataFrame.notnull : alias of notna notna : top-level notna nsmallest(self, n, columns, keep='first') Get the rows of a DataFrame sorted by the `n` smallest values of `columns`.   .. versionadded:: 0.17.0   Parameters ---------- n : int     Number of items to retrieve columns : list or str     Column name or names to order by keep : {'first', 'last'}, default 'first'     Where there are duplicate values:     - ``first`` : take the first occurrence.     - ``last`` : take the last occurrence.   Returns ------- DataFrame   Examples -------- >>> df = DataFrame({'a': [1, 10, 8, 11, -1], ...                 'b': list('abdce'), ...                 'c': [1.0, 2.0, np.nan, 3.0, 4.0]}) >>> df.nsmallest(3, 'a')    a  b   c 4 -1  e   4 0  1  a   1 2  8  d NaN nunique(self, axis=0, dropna=True) Return Series with number of distinct observations over requested axis.   .. versionadded:: 0.20.0   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0 dropna : boolean, default True     Don't include NaN in the counts.   Returns ------- nunique : Series   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], 'B': [1, 1, 1]}) >>> df.nunique() A    3 B    1   >>> df.nunique(axis=1) 0    1 1    2 2    2 pivot(self, index=None, columns=None, values=None) Reshape data (produce a "pivot" table) based on column values. Uses unique values from index / columns to form axes of the resulting DataFrame.   Parameters ---------- index : string or object, optional     Column name to use to make new frame's index. If None, uses     existing index. columns : string or object     Column name to use to make new frame's columns values : string or object, optional     Column name to use for populating new frame's values. If not     specified, all remaining columns will be used and the result will     have hierarchically indexed columns   Returns ------- pivoted : DataFrame   See also -------- DataFrame.pivot_table : generalization of pivot that can handle     duplicate values for one index/column pair DataFrame.unstack : pivot based on the index values instead of a     column   Notes ----- For finer-tuned control, see hierarchical indexing documentation along with the related stack/unstack methods   Examples --------   >>> df = pd.DataFrame({'foo': ['one','one','one','two','two','two'],                        'bar': ['A', 'B', 'C', 'A', 'B', 'C'],                        'baz': [1, 2, 3, 4, 5, 6]}) >>> df     foo   bar  baz 0   one   A    1 1   one   B    2 2   one   C    3 3   two   A    4 4   two   B    5 5   two   C    6   >>> df.pivot(index='foo', columns='bar', values='baz')      A   B   C one  1   2   3 two  4   5   6   >>> df.pivot(index='foo', columns='bar')['baz']      A   B   C one  1   2   3 two  4   5   6 pivot_table(self, values=None, index=None, columns=None, aggfunc='mean', fill_value=None, margins=False, dropna=True, margins_name='All') Create a spreadsheet-style pivot table as a DataFrame. The levels in the pivot table will be stored in MultiIndex objects (hierarchical indexes) on the index and columns of the result DataFrame   Parameters ---------- values : column to aggregate, optional index : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table index.  If an array is passed,     it is being used as the same manner as column values. columns : column, Grouper, array, or list of the previous     If an array is passed, it must be the same length as the data. The     list can contain any of the other types (except list).     Keys to group by on the pivot table column.  If an array is passed,     it is being used as the same manner as column values. aggfunc : function or list of functions, default numpy.mean     If list of functions passed, the resulting pivot table will have     hierarchical columns whose top level are the function names     (inferred from the function objects themselves) fill_value : scalar, default None     Value to replace missing values with margins : boolean, default False     Add all row / columns (e.g. for subtotal / grand totals) dropna : boolean, default True     Do not include columns whose entries are all NaN margins_name : string, default 'All'     Name of the row / column that will contain the totals     when margins is True.   Examples -------- >>> df = pd.DataFrame({"A": ["foo", "foo", "foo", "foo", "foo", ...                          "bar", "bar", "bar", "bar"], ...                    "B": ["one", "one", "one", "two", "two", ...                          "one", "one", "two", "two"], ...                    "C": ["small", "large", "large", "small", ...                          "small", "large", "small", "small", ...                          "large"], ...                    "D": [1, 2, 2, 3, 3, 4, 5, 6, 7]}) >>> df      A    B      C  D 0  foo  one  small  1 1  foo  one  large  2 2  foo  one  large  2 3  foo  two  small  3 4  foo  two  small  3 5  bar  one  large  4 6  bar  one  small  5 7  bar  two  small  6 8  bar  two  large  7   >>> table = pivot_table(df, values='D', index=['A', 'B'], ...                     columns=['C'], aggfunc=np.sum) >>> table ... # doctest: +NORMALIZE_WHITESPACE C        large  small A   B bar one    4.0    5.0     two    7.0    6.0 foo one    4.0    1.0     two    NaN    6.0   Returns ------- table : DataFrame   See also -------- DataFrame.pivot : pivot without aggregation that can handle     non-numeric data pow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `pow`).   Equivalent to ``dataframe ** other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rpow prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the product of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- prod : Series or DataFrame (if level specified)   Examples -------- By default, the product of an empty or all-NA Series is ``1``   >>> pd.Series([]).prod() 1.0   This can be controlled with the ``min_count`` parameter   >>> pd.Series([]).prod(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).prod() 1.0   >>> pd.Series([np.nan]).sum(min_count=1) nan product = prod(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) quantile(self, q=0.5, axis=0, numeric_only=True, interpolation='linear') Return values at the given quantile over requested axis, a la numpy.percentile.   Parameters ---------- q : float or array-like, default 0.5 (50% quantile)     0 <= q <= 1, the quantile(s) to compute axis : {0, 1, 'index', 'columns'} (default 0)     0 or 'index' for row-wise, 1 or 'columns' for column-wise interpolation : {'linear', 'lower', 'higher', 'midpoint', 'nearest'}     .. versionadded:: 0.18.0       This optional parameter specifies the interpolation method to use,     when the desired quantile lies between two data points `i` and `j`:       * linear: `i + (j - i) * fraction`, where `fraction` is the       fractional part of the index surrounded by `i` and `j`.     * lower: `i`.     * higher: `j`.     * nearest: `i` or `j` whichever is nearest.     * midpoint: (`i` + `j`) / 2.   Returns ------- quantiles : Series or DataFrame       - If ``q`` is an array, a DataFrame will be returned where the       index is ``q``, the columns are the columns of self, and the       values are the quantiles.     - If ``q`` is a float, a Series will be returned where the       index is the columns of self and the values are the quantiles.   Examples --------   >>> df = DataFrame(np.array([[1, 1], [2, 10], [3, 100], [4, 100]]),                    columns=['a', 'b']) >>> df.quantile(.1) a    1.3 b    3.7 dtype: float64 >>> df.quantile([.1, .5])        a     b 0.1  1.3   3.7 0.5  2.5  55.0 query(self, expr, inplace=False, **kwargs) Query the columns of a frame with a boolean expression.   Parameters ---------- expr : string     The query string to evaluate.  You can refer to variables     in the environment by prefixing them with an '@' character like     ``@a + b``. inplace : bool     Whether the query should modify the data in place or return     a modified copy       .. versionadded:: 0.18.0   kwargs : dict     See the documentation for :func:`pandas.eval` for complete details     on the keyword arguments accepted by :meth:`DataFrame.query`.   Returns ------- q : DataFrame   Notes ----- The result of the evaluation of this expression is first passed to :attr:`DataFrame.loc` and if that fails because of a multidimensional key (e.g., a DataFrame) then the result will be passed to :meth:`DataFrame.__getitem__`.   This method uses the top-level :func:`pandas.eval` function to evaluate the passed query.   The :meth:`~pandas.DataFrame.query` method uses a slightly modified Python syntax by default. For example, the ``&`` and ``|`` (bitwise) operators have the precedence of their boolean cousins, :keyword:`and` and :keyword:`or`. This *is* syntactically valid Python, however the semantics are different.   You can change the semantics of the expression by passing the keyword argument ``parser='python'``. This enforces the same semantics as evaluation in Python space. Likewise, you can pass ``engine='python'`` to evaluate an expression using Python itself as a backend. This is not recommended as it is inefficient compared to using ``numexpr`` as the engine.   The :attr:`DataFrame.index` and :attr:`DataFrame.columns` attributes of the :class:`~pandas.DataFrame` instance are placed in the query namespace by default, which allows you to treat both the index and columns of the frame as a column in the frame. The identifier ``index`` is used for the frame index; you can also use the name of the index to identify it in a query.   For further details and examples see the ``query`` documentation in :ref:`indexing <indexing.query>`.   See Also -------- pandas.eval DataFrame.eval   Examples -------- >>> from numpy.random import randn >>> from pandas import DataFrame >>> df = DataFrame(randn(10, 2), columns=list('ab')) >>> df.query('a > b') >>> df[df.a > df.b]  # same result as the previous expression radd(self, other, axis='columns', level=None, fill_value=None) Addition of dataframe and other, element-wise (binary operator `radd`).   Equivalent to ``other + dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.add rdiv = rtruediv(self, other, axis='columns', level=None, fill_value=None) reindex(self, labels=None, index=None, columns=None, axis=None, method=None, copy=True, level=None, fill_value=nan, limit=None, tolerance=None) Conform DataFrame to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like, optional     New labels / index to conform the axis specified by 'axis' to. index, columns : array-like, optional (should be specified using keywords)     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : int or str, optional     Axis to target. Can be either the axis name ('index', 'columns')     or number (0, 1). method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     method to use for filling holes in reindexed DataFrame.     Please note: this is only  applicable to DataFrames/Series with a     monotonically increasing/decreasing index.       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level fill_value : scalar, default np.NaN     Value to use for missing values. Defaults to NaN, but can be any     "compatible" value limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples --------   ``DataFrame.reindex`` supports two calling conventions   * ``(index=index_labels, columns=column_labels, ...)`` * ``(labels, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   Create a dataframe with some fictional data.   >>> index = ['Firefox', 'Chrome', 'Safari', 'IE10', 'Konqueror'] >>> df = pd.DataFrame({ ...      'http_status': [200,200,404,404,301], ...      'response_time': [0.04, 0.02, 0.07, 0.08, 1.0]}, ...       index=index) >>> df            http_status  response_time Firefox            200           0.04 Chrome             200           0.02 Safari             404           0.07 IE10               404           0.08 Konqueror          301           1.00   Create a new index and reindex the dataframe. By default values in the new index that do not have corresponding records in the dataframe are assigned ``NaN``.   >>> new_index= ['Safari', 'Iceweasel', 'Comodo Dragon', 'IE10', ...             'Chrome'] >>> df.reindex(new_index)                http_status  response_time Safari               404.0           0.07 Iceweasel              NaN            NaN Comodo Dragon          NaN            NaN IE10                 404.0           0.08 Chrome               200.0           0.02   We can fill in the missing values by passing a value to the keyword ``fill_value``. Because the index is not monotonically increasing or decreasing, we cannot use arguments to the keyword ``method`` to fill the ``NaN`` values.   >>> df.reindex(new_index, fill_value=0)                http_status  response_time Safari                 404           0.07 Iceweasel                0           0.00 Comodo Dragon            0           0.00 IE10                   404           0.08 Chrome                 200           0.02   >>> df.reindex(new_index, fill_value='missing')               http_status response_time Safari                404          0.07 Iceweasel         missing       missing Comodo Dragon     missing       missing IE10                  404          0.08 Chrome                200          0.02   We can also reindex the columns.   >>> df.reindex(columns=['http_status', 'user_agent'])            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   Or we can use "axis-style" keyword arguments   >>> df.reindex(['http_status', 'user_agent'], axis="columns")            http_status  user_agent Firefox            200         NaN Chrome             200         NaN Safari             404         NaN IE10               404         NaN Konqueror          301         NaN   To further illustrate the filling functionality in ``reindex``, we will create a dataframe with a monotonically increasing index (for example, a sequence of dates).   >>> date_index = pd.date_range('1/1/2010', periods=6, freq='D') >>> df2 = pd.DataFrame({"prices": [100, 101, np.nan, 100, 89, 88]}, ...                    index=date_index) >>> df2             prices 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88   Suppose we decide to expand the dataframe to cover a wider date range.   >>> date_index2 = pd.date_range('12/29/2009', periods=10, freq='D') >>> df2.reindex(date_index2)             prices 2009-12-29     NaN 2009-12-30     NaN 2009-12-31     NaN 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   The index entries that did not have a value in the original data frame (for example, '2009-12-29') are by default filled with ``NaN``. If desired, we can fill in the missing values using one of several options.   For example, to backpropagate the last valid value to fill the ``NaN`` values, pass ``bfill`` as an argument to the ``method`` keyword.   >>> df2.reindex(date_index2, method='bfill')             prices 2009-12-29     100 2009-12-30     100 2009-12-31     100 2010-01-01     100 2010-01-02     101 2010-01-03     NaN 2010-01-04     100 2010-01-05      89 2010-01-06      88 2010-01-07     NaN   Please note that the ``NaN`` value present in the original dataframe (at index value 2010-01-03) will not be filled by any of the value propagation schemes. This is because filling while reindexing does not look at dataframe values, but only compares the original and desired indexes. If you do want to fill in the ``NaN`` values present in the original dataframe, use the ``fillna()`` method.   See the :ref:`user guide <basics.reindexing>` for more.   Returns ------- reindexed : DataFrame reindex_axis(self, labels, axis=0, method=None, level=None, copy=True, limit=None, fill_value=nan) Conform input object to new index with optional filling logic, placing NA/NaN in locations having no value in the previous index. A new object is produced unless the new index is equivalent to the current one and copy=False   Parameters ---------- labels : array-like     New labels / index to conform to. Preferably an Index object to     avoid duplicating data axis : {0 or 'index', 1 or 'columns'} method : {None, 'backfill'/'bfill', 'pad'/'ffill', 'nearest'}, optional     Method to use for filling holes in reindexed DataFrame:       * default: don't fill gaps     * pad / ffill: propagate last valid observation forward to next       valid     * backfill / bfill: use next valid observation to fill gap     * nearest: use nearest valid observations to fill gap   copy : boolean, default True     Return a new object, even if the passed indexes are the same level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level limit : int, default None     Maximum number of consecutive elements to forward or backward fill tolerance : optional     Maximum distance between original and new labels for inexact     matches. The values of the index at the matching locations most     satisfy the equation ``abs(index[indexer] - target) <= tolerance``.       Tolerance may be a scalar value, which applies the same tolerance     to all values, or list-like, which applies variable tolerance per     element. List-like includes list, tuple, array, Series, and must be     the same size as the index and its dtype must exactly match the     index's type.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Examples -------- >>> df.reindex_axis(['A', 'B', 'C'], axis=1)   See Also -------- reindex, reindex_like   Returns ------- reindexed : DataFrame rename(self, mapper=None, index=None, columns=None, axis=None, copy=True, inplace=False, level=None) Alter axes labels.   Function / dict values must be unique (1-to-1). Labels not contained in a dict / Series will be left as-is. Extra labels listed don't throw an error.   See the :ref:`user guide <basics.rename>` for more.   Parameters ---------- mapper, index, columns : dict-like or function, optional     dict-like or functions transformations to apply to     that axis' values. Use either ``mapper`` and ``axis`` to     specify the axis to target with ``mapper``, or ``index`` and     ``columns``. axis : int or str, optional     Axis to target with ``mapper``. Can be either the axis name     ('index', 'columns') or number (0, 1). The default is 'index'. copy : boolean, default True     Also copy underlying data inplace : boolean, default False     Whether to return a new %(klass)s. If True then value of copy is     ignored. level : int or level name, default None     In case of a MultiIndex, only rename labels in the specified     level.   Returns ------- renamed : DataFrame   See Also -------- pandas.DataFrame.rename_axis   Examples --------   ``DataFrame.rename`` supports two calling conventions   * ``(index=index_mapper, columns=columns_mapper, ...)`` * ``(mapper, axis={'index', 'columns'}, ...)``   We *highly* recommend using keyword arguments to clarify your intent.   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename(index=str, columns={"A": "a", "B": "c"})    a  c 0  1  4 1  2  5 2  3  6   >>> df.rename(index=str, columns={"A": "a", "C": "c"})    a  B 0  1  4 1  2  5 2  3  6   Using axis-style parameters   >>> df.rename(str.lower, axis='columns')    a  b 0  1  4 1  2  5 2  3  6   >>> df.rename({1: 2, 2: 4}, axis='index')    A  B 0  1  4 2  2  5 4  3  6 reorder_levels(self, order, axis=0) Rearrange index levels using input order. May not drop or duplicate levels   Parameters ---------- order : list of int or list of str     List representing new level order. Reference level by number     (position) or by key (label). axis : int     Where to reorder levels.   Returns ------- type of caller (new object) reset_index(self, level=None, drop=False, inplace=False, col_level=0, col_fill='') For DataFrame with multi-level index, return new DataFrame with labeling information in the columns under the index names, defaulting to 'level_0', 'level_1', etc. if any are None. For a standard index, the index name will be used (if set), otherwise a default 'index' or 'level_0' (if 'index' is already taken) will be used.   Parameters ---------- level : int, str, tuple, or list, default None     Only remove the given levels from the index. Removes all levels by     default drop : boolean, default False     Do not try to insert index into dataframe columns. This resets     the index to the default integer index. inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) col_level : int or str, default 0     If the columns have multiple levels, determines which level the     labels are inserted into. By default it is inserted into the first     level. col_fill : object, default ''     If the columns have multiple levels, determines how the other     levels are named. If None then the index name is repeated.   Returns ------- resetted : DataFrame   Examples -------- >>> df = pd.DataFrame([('bird',    389.0), ...                    ('bird',     24.0), ...                    ('mammal',   80.5), ...                    ('mammal', np.nan)], ...                   index=['falcon', 'parrot', 'lion', 'monkey'], ...                   columns=('class', 'max_speed')) >>> df          class  max_speed falcon    bird      389.0 parrot    bird       24.0 lion    mammal       80.5 monkey  mammal        NaN   When we reset the index, the old index is added as a column, and a new sequential index is used:   >>> df.reset_index()     index   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   We can use the `drop` parameter to avoid the old index being added as a column:   >>> df.reset_index(drop=True)     class  max_speed 0    bird      389.0 1    bird       24.0 2  mammal       80.5 3  mammal        NaN   You can also use `reset_index` with `MultiIndex`.   >>> index = pd.MultiIndex.from_tuples([('bird', 'falcon'), ...                                    ('bird', 'parrot'), ...                                    ('mammal', 'lion'), ...                                    ('mammal', 'monkey')], ...                                   names=['class', 'name']) >>> columns = pd.MultiIndex.from_tuples([('speed', 'max'), ...                                      ('species', 'type')]) >>> df = pd.DataFrame([(389.0, 'fly'), ...                    ( 24.0, 'fly'), ...                    ( 80.5, 'run'), ...                    (np.nan, 'jump')], ...                   index=index, ...                   columns=columns) >>> df                speed species                  max    type class  name bird   falcon  389.0     fly        parrot   24.0     fly mammal lion     80.5     run        monkey    NaN    jump   If the index has multiple levels, we can reset a subset of them:   >>> df.reset_index(level='class')          class  speed species                   max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   If we are not dropping the index, by default, it is placed in the top level. We can place it in another level:   >>> df.reset_index(level='class', col_level=1)                 speed species          class    max    type name falcon    bird  389.0     fly parrot    bird   24.0     fly lion    mammal   80.5     run monkey  mammal    NaN    jump   When the index is inserted under another level, we can specify under which one with the parameter `col_fill`:   >>> df.reset_index(level='class', col_level=1, col_fill='species')               species  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump   If we specify a nonexistent level for `col_fill`, it is created:   >>> df.reset_index(level='class', col_level=1, col_fill='genus')                 genus  speed species                 class    max    type name falcon           bird  389.0     fly parrot           bird   24.0     fly lion           mammal   80.5     run monkey         mammal    NaN    jump rfloordiv(self, other, axis='columns', level=None, fill_value=None) Integer division of dataframe and other, element-wise (binary operator `rfloordiv`).   Equivalent to ``other // dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.floordiv rmod(self, other, axis='columns', level=None, fill_value=None) Modulo of dataframe and other, element-wise (binary operator `rmod`).   Equivalent to ``other % dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mod rmul(self, other, axis='columns', level=None, fill_value=None) Multiplication of dataframe and other, element-wise (binary operator `rmul`).   Equivalent to ``other * dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.mul rolling(self, window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None) Provides rolling window calculations.   .. versionadded:: 0.18.0   Parameters ---------- window : int, or offset     Size of the moving window. This is the number of observations used for     calculating the statistic. Each window will be a fixed size.       If its an offset then this will be the time period of each window. Each     window will be a variable sized based on the observations included in     the time-period. This is only valid for datetimelike indexes. This is     new in 0.19.0 min_periods : int, default None     Minimum number of observations in window required to have a value     (otherwise result is NA). For a window that is specified by an offset,     this will default to 1. freq : string or DateOffset object, optional (default None)     .. deprecated:: 0.18.0        Frequency to conform the data to before computing the statistic.        Specified as a frequency string or DateOffset object. center : boolean, default False     Set the labels at the center of the window. win_type : string, default None     Provide a window type. See the notes below. on : string, optional     For a DataFrame, column on which to calculate     the rolling window, rather than the index closed : string, default None     Make the interval closed on the 'right', 'left', 'both' or     'neither' endpoints.     For offset-based windows, it defaults to 'right'.     For fixed windows, defaults to 'both'. Remaining cases not implemented     for fixed windows.       .. versionadded:: 0.20.0   axis : int or string, default 0   Returns ------- a Window or Rolling sub-classed for the particular operation   Examples --------   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}) >>> df      B 0  0.0 1  1.0 2  2.0 3  NaN 4  4.0   Rolling sum with a window length of 2, using the 'triang' window type.   >>> df.rolling(2, win_type='triang').sum()      B 0  NaN 1  1.0 2  2.5 3  NaN 4  NaN   Rolling sum with a window length of 2, min_periods defaults to the window length.   >>> df.rolling(2).sum()      B 0  NaN 1  1.0 2  3.0 3  NaN 4  NaN   Same as above, but explicity set the min_periods   >>> df.rolling(2, min_periods=1).sum()      B 0  0.0 1  1.0 2  3.0 3  2.0 4  4.0   A ragged (meaning not-a-regular frequency), time-indexed DataFrame   >>> df = pd.DataFrame({'B': [0, 1, 2, np.nan, 4]}, ....:                 index = [pd.Timestamp('20130101 09:00:00'), ....:                          pd.Timestamp('20130101 09:00:02'), ....:                          pd.Timestamp('20130101 09:00:03'), ....:                          pd.Timestamp('20130101 09:00:05'), ....:                          pd.Timestamp('20130101 09:00:06')])   >>> df                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  2.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0     Contrasting to an integer rolling window, this will roll a variable length window corresponding to the time period. The default for min_periods is 1.   >>> df.rolling('2s').sum()                        B 2013-01-01 09:00:00  0.0 2013-01-01 09:00:02  1.0 2013-01-01 09:00:03  3.0 2013-01-01 09:00:05  NaN 2013-01-01 09:00:06  4.0   Notes ----- By default, the result is set to the right edge of the window. This can be changed to the center of the window by setting ``center=True``.   The `freq` keyword is used to conform time series data to a specified frequency by resampling the data. This is done with the default parameters of :meth:`~pandas.Series.resample` (i.e. using the `mean`).   To learn more about the offsets & frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   The recognized win_types are:   * ``boxcar`` * ``triang`` * ``blackman`` * ``hamming`` * ``bartlett`` * ``parzen`` * ``bohman`` * ``blackmanharris`` * ``nuttall`` * ``barthann`` * ``kaiser`` (needs beta) * ``gaussian`` (needs std) * ``general_gaussian`` (needs power, width) * ``slepian`` (needs width).   If ``win_type=None`` all points are evenly weighted. To learn more about different window types see `scipy.signal window functions <https://docs.scipy.org/doc/scipy/reference/signal.html#window-functions>`__. round(self, decimals=0, *args, **kwargs) Round a DataFrame to a variable number of decimal places.   .. versionadded:: 0.17.0   Parameters ---------- decimals : int, dict, Series     Number of decimal places to round each column to. If an int is     given, round each column to the same number of places.     Otherwise dict and Series round to variable numbers of places.     Column names should be in the keys if `decimals` is a     dict-like, or in the index if `decimals` is a Series. Any     columns not included in `decimals` will be left as is. Elements     of `decimals` which are not columns of the input will be     ignored.   Examples -------- >>> df = pd.DataFrame(np.random.random([3, 3]), ...     columns=['A', 'B', 'C'], index=['first', 'second', 'third']) >>> df                A         B         C first   0.028208  0.992815  0.173891 second  0.038683  0.645646  0.577595 third   0.877076  0.149370  0.491027 >>> df.round(2)            A     B     C first   0.03  0.99  0.17 second  0.04  0.65  0.58 third   0.88  0.15  0.49 >>> df.round({'A': 1, 'C': 2})           A         B     C first   0.0  0.992815  0.17 second  0.0  0.645646  0.58 third   0.9  0.149370  0.49 >>> decimals = pd.Series([1, 0, 2], index=['A', 'B', 'C']) >>> df.round(decimals)           A  B     C first   0.0  1  0.17 second  0.0  1  0.58 third   0.9  0  0.49   Returns ------- DataFrame object   See Also -------- numpy.around Series.round rpow(self, other, axis='columns', level=None, fill_value=None) Exponential power of dataframe and other, element-wise (binary operator `rpow`).   Equivalent to ``other ** dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.pow rsub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `rsub`).   Equivalent to ``other - dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.sub rtruediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `rtruediv`).   Equivalent to ``other / dataframe``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.truediv select_dtypes(self, include=None, exclude=None) Return a subset of a DataFrame including/excluding columns based on their ``dtype``.   Parameters ---------- include, exclude : scalar or list-like     A selection of dtypes or strings to be included/excluded. At least     one of these parameters must be supplied.   Raises ------ ValueError     * If both of ``include`` and ``exclude`` are empty     * If ``include`` and ``exclude`` have overlapping elements     * If any kind of string dtype is passed in.   Returns ------- subset : DataFrame     The subset of the frame including the dtypes in ``include`` and     excluding the dtypes in ``exclude``.   Notes ----- * To select all *numeric* types use the numpy dtype ``numpy.number`` * To select strings you must use the ``object`` dtype, but note that   this will return *all* object dtype columns * See the `numpy dtype hierarchy   <http://docs.scipy.org/doc/numpy/reference/arrays.scalars.html>`__ * To select datetimes, use np.datetime64, 'datetime' or 'datetime64' * To select timedeltas, use np.timedelta64, 'timedelta' or   'timedelta64' * To select Pandas categorical dtypes, use 'category' * To select Pandas datetimetz dtypes, use 'datetimetz' (new in 0.20.0),   or a 'datetime64[ns, tz]' string   Examples -------- >>> df = pd.DataFrame({'a': np.random.randn(6).astype('f4'), ...                    'b': [True, False] * 3, ...                    'c': [1.0, 2.0] * 3}) >>> df         a      b  c 0  0.3962   True  1 1  0.1459  False  2 2  0.2623   True  1 3  0.0764  False  2 4 -0.9703   True  1 5 -1.2094  False  2 >>> df.select_dtypes(include='bool')    c 0  True 1  False 2  True 3  False 4  True 5  False >>> df.select_dtypes(include=['float64'])    c 0  1 1  2 2  1 3  2 4  1 5  2 >>> df.select_dtypes(exclude=['floating'])        b 0   True 1  False 2   True 3  False 4   True 5  False sem(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased standard error of the mean over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- sem : Series or DataFrame (if level specified) set_index(self, keys, drop=True, append=False, inplace=False, verify_integrity=False) Set the DataFrame index (row labels) using one or more existing columns. By default yields a new object.   Parameters ---------- keys : column label or list of column labels / arrays drop : boolean, default True     Delete columns to be used as the new index append : boolean, default False     Whether to append columns to existing index inplace : boolean, default False     Modify the DataFrame in place (do not create a new object) verify_integrity : boolean, default False     Check the new index for duplicates. Otherwise defer the check until     necessary. Setting to False will improve the performance of this     method   Examples -------- >>> df = pd.DataFrame({'month': [1, 4, 7, 10], ...                    'year': [2012, 2014, 2013, 2014], ...                    'sale':[55, 40, 84, 31]})    month  sale  year 0  1      55    2012 1  4      40    2014 2  7      84    2013 3  10     31    2014   Set the index to become the 'month' column:   >>> df.set_index('month')        sale  year month 1      55    2012 4      40    2014 7      84    2013 10     31    2014   Create a multi-index using columns 'year' and 'month':   >>> df.set_index(['year', 'month'])             sale year  month 2012  1     55 2014  4     40 2013  7     84 2014  10    31   Create a multi-index using a set of values and a column:   >>> df.set_index([[1, 2, 3, 4], 'year'])          month  sale    year 1  2012  1      55 2  2014  4      40 3  2013  7      84 4  2014  10     31   Returns ------- dataframe : DataFrame set_value(self, index, col, value, takeable=False) Put single value at passed column and index   .. deprecated:: 0.21.0   Please use .at[] or .iat[] accessors.   Parameters ---------- index : row label col : column label value : scalar value takeable : interpret the index/col as indexers, default False   Returns ------- frame : DataFrame     If label pair is contained, will be reference to calling DataFrame,     otherwise a new object shift(self, periods=1, freq=None, axis=0) Shift index by desired number of periods with an optional time freq   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, optional     Increment to use from the tseries module or time rule (e.g. 'EOM').     See Notes. axis : {0 or 'index', 1 or 'columns'}   Notes ----- If freq is specified then the index values are shifted but the data is not realigned. That is, use freq if you would like to extend the index when shifting and preserve the original data.   Returns ------- shifted : DataFrame skew(self, axis=None, skipna=None, level=None, numeric_only=None, **kwargs) Return unbiased skew over requested axis Normalized by N-1   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- skew : Series or DataFrame (if level specified) sort_index(self, axis=0, level=None, ascending=True, inplace=False, kind='quicksort', na_position='last', sort_remaining=True, by=None) Sort object by labels (along an axis)   Parameters ---------- axis : index, columns to direct sorting level : int or level name or list of ints or list of level names     if not None, sort on values in specified index level(s) ascending : boolean, default True     Sort ascending vs. descending inplace : bool, default False     if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end.      Not implemented for MultiIndex. sort_remaining : bool, default True     if true and sorting by level and index is multilevel, sort by other     levels too (in order) after sorting by specified level   Returns ------- sorted_obj : DataFrame sort_values(self, by, axis=0, ascending=True, inplace=False, kind='quicksort', na_position='last') Sort by the values along either axis   .. versionadded:: 0.17.0   Parameters ---------- by : str or list of str     Name or list of names which refer to the axis items. axis : {0 or 'index', 1 or 'columns'}, default 0     Axis to direct sorting ascending : bool or list of bool, default True      Sort ascending vs. descending. Specify list for multiple sort      orders.  If this is a list of bools, must match the length of      the by. inplace : bool, default False      if True, perform operation in-place kind : {'quicksort', 'mergesort', 'heapsort'}, default 'quicksort'      Choice of sorting algorithm. See also ndarray.np.sort for more      information.  `mergesort` is the only stable algorithm. For      DataFrames, this option is only applied when sorting on a single      column or label. na_position : {'first', 'last'}, default 'last'      `first` puts NaNs at the beginning, `last` puts NaNs at the end   Returns ------- sorted_obj : DataFrame   Examples -------- >>> df = pd.DataFrame({ ...     'col1' : ['A', 'A', 'B', np.nan, 'D', 'C'], ...     'col2' : [2, 1, 9, 8, 7, 4], ...     'col3': [0, 1, 9, 4, 2, 3], ... }) >>> df     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 3   NaN  8    4 4   D    7    2 5   C    4    3   Sort by col1   >>> df.sort_values(by=['col1'])     col1 col2 col3 0   A    2    0 1   A    1    1 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort by multiple columns   >>> df.sort_values(by=['col1', 'col2'])     col1 col2 col3 1   A    1    1 0   A    2    0 2   B    9    9 5   C    4    3 4   D    7    2 3   NaN  8    4   Sort Descending   >>> df.sort_values(by='col1', ascending=False)     col1 col2 col3 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 3   NaN  8    4   Putting NAs first   >>> df.sort_values(by='col1', ascending=False, na_position='first')     col1 col2 col3 3   NaN  8    4 4   D    7    2 5   C    4    3 2   B    9    9 0   A    2    0 1   A    1    1 sortlevel(self, level=0, axis=0, ascending=True, inplace=False, sort_remaining=True) DEPRECATED: use :meth:`DataFrame.sort_index`   Sort multilevel index by chosen axis and primary level. Data will be lexicographically sorted by the chosen level followed by the other levels (in order)   Parameters ---------- level : int axis : {0 or 'index', 1 or 'columns'}, default 0 ascending : boolean, default True inplace : boolean, default False     Sort the DataFrame without creating a new instance sort_remaining : boolean, default True     Sort by the other levels too.   Returns ------- sorted : DataFrame   See Also -------- DataFrame.sort_index(level=...) stack(self, level=-1, dropna=True) Pivot a level of the (possibly hierarchical) column labels, returning a DataFrame (or Series in the case of an object with a single level of column labels) having a hierarchical index with a new inner-most level of row labels. The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default last level     Level(s) to stack, can pass level name dropna : boolean, default True     Whether to drop rows in the resulting Frame/Series with no valid     values   Examples ---------- >>> s      a   b one  1.  2. two  3.  4.   >>> s.stack() one a    1     b    2 two a    3     b    4   Returns ------- stacked : DataFrame or Series std(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return sample standard deviation over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- std : Series or DataFrame (if level specified) sub(self, other, axis='columns', level=None, fill_value=None) Subtraction of dataframe and other, element-wise (binary operator `sub`).   Equivalent to ``dataframe - other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rsub subtract = sub(self, other, axis='columns', level=None, fill_value=None) sum(self, axis=None, skipna=None, level=None, numeric_only=None, min_count=0, **kwargs) Return the sum of the values for the requested axis   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values when computing the result. level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series. min_count : int, default 0     The required number of valid values to perform the operation. If fewer than     ``min_count`` non-NA values are present the result will be NA.       .. versionadded :: 0.22.0          Added with the default being 1. This means the sum or product        of an all-NA or empty series is ``NaN``.   Returns ------- sum : Series or DataFrame (if level specified)   Examples -------- By default, the sum of an empty or all-NA Series is ``0``.   >>> pd.Series([]).sum()  # min_count=0 is the default 0.0   This can be controlled with the ``min_count`` parameter. For example, if you'd like the sum of an empty series to be NaN, pass ``min_count=1``.   >>> pd.Series([]).sum(min_count=1) nan   Thanks to the ``skipna`` parameter, ``min_count`` handles all-NA and empty series identically.   >>> pd.Series([np.nan]).sum() 0.0   >>> pd.Series([np.nan]).sum(min_count=1) nan swaplevel(self, i=-2, j=-1, axis=0) Swap levels i and j in a MultiIndex on a particular axis   Parameters ---------- i, j : int, string (can be mixed)     Level of index to be swapped. Can pass level name as string.   Returns ------- swapped : type of caller (new object)   .. versionchanged:: 0.18.1      The indexes ``i`` and ``j`` are now optional, and default to    the two innermost levels of the index. to_csv(self, path_or_buf=None, sep=',', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, mode='w', encoding=None, compression=None, quoting=None, quotechar='"', line_terminator='\n', chunksize=None, tupleize_cols=None, date_format=None, doublequote=True, escapechar=None, decimal='.') Write DataFrame to a comma-separated values (csv) file   Parameters ---------- path_or_buf : string or file handle, default None     File path or object, if None is provided the result is returned as     a string. sep : character, default ','     Field delimiter for the output file. na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, or False, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex.  If     False do not print fields for index names. Use index_label=False     for easier importing in R mode : str     Python write mode, default 'w' encoding : string, optional     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. compression : string, optional     a string representing the compression to use in the output file,     allowed values are 'gzip', 'bz2', 'xz',     only used when the first argument is a filename line_terminator : string, default ``'\n'``     The newline character or character sequence to use in the output     file quoting : optional constant from csv module     defaults to csv.QUOTE_MINIMAL. If you have set a `float_format`     then floats are converted to strings and thus csv.QUOTE_NONNUMERIC     will treat them as non-numeric quotechar : string (length 1), default '\"'     character used to quote fields doublequote : boolean, default True     Control quoting of `quotechar` inside a field escapechar : string (length 1), default None     character used to escape `sep` and `quotechar` when appropriate chunksize : int or None     rows to write at a time tupleize_cols : boolean, default False     .. deprecated:: 0.21.0        This argument will be removed and will always write each row        of the multi-index as a separate row in the CSV file.       Write MultiIndex columns as a list of tuples (if True) or in     the new, expanded format, where each MultiIndex column is a row     in the CSV (if False). date_format : string, default None     Format string for datetime objects decimal: string, default '.'     Character recognized as decimal separator. E.g. use ',' for     European data to_dict(self, orient='dict', into=<class 'dict'>) Convert DataFrame to dictionary.   Parameters ---------- orient : str {'dict', 'list', 'series', 'split', 'records', 'index'}     Determines the type of the values of the dictionary.       - dict (default) : dict like {column -> {index -> value}}     - list : dict like {column -> [values]}     - series : dict like {column -> Series(values)}     - split : dict like       {index -> [index], columns -> [columns], data -> [values]}     - records : list like       [{column -> value}, ... , {column -> value}]     - index : dict like {index -> {column -> value}}         .. versionadded:: 0.17.0       Abbreviations are allowed. `s` indicates `series` and `sp`     indicates `split`.   into : class, default dict     The collections.Mapping subclass used for all Mappings     in the return value.  Can be the actual class or an empty     instance of the mapping type you want.  If you want a     collections.defaultdict, you must pass it initialized.       .. versionadded:: 0.21.0   Returns ------- result : collections.Mapping like {column -> {index -> value}}   Examples -------- >>> df = pd.DataFrame(         {'col1': [1, 2], 'col2': [0.5, 0.75]}, index=['a', 'b']) >>> df    col1  col2 a     1   0.1 b     2   0.2 >>> df.to_dict() {'col1': {'a': 1, 'b': 2}, 'col2': {'a': 0.5, 'b': 0.75}}   You can specify the return orientation.   >>> df.to_dict('series') {'col1': a    1 b    2 Name: col1, dtype: int64, 'col2': a    0.50 b    0.75 Name: col2, dtype: float64} >>> df.to_dict('split') {'columns': ['col1', 'col2'], 'data': [[1.0, 0.5], [2.0, 0.75]], 'index': ['a', 'b']} >>> df.to_dict('records') [{'col1': 1.0, 'col2': 0.5}, {'col1': 2.0, 'col2': 0.75}] >>> df.to_dict('index') {'a': {'col1': 1.0, 'col2': 0.5}, 'b': {'col1': 2.0, 'col2': 0.75}}   You can also specify the mapping type.   >>> from collections import OrderedDict, defaultdict >>> df.to_dict(into=OrderedDict) OrderedDict([('col1', OrderedDict([('a', 1), ('b', 2)])),            ('col2', OrderedDict([('a', 0.5), ('b', 0.75)]))])   If you want a `defaultdict`, you need to initialize it:   >>> dd = defaultdict(list) >>> df.to_dict('records', into=dd) [defaultdict(<type 'list'>, {'col2': 0.5, 'col1': 1.0}), defaultdict(<type 'list'>, {'col2': 0.75, 'col1': 2.0})] to_excel(self, excel_writer, sheet_name='Sheet1', na_rep='', float_format=None, columns=None, header=True, index=True, index_label=None, startrow=0, startcol=0, engine=None, merge_cells=True, encoding=None, inf_rep='inf', verbose=True, freeze_panes=None) Write DataFrame to an excel sheet     Parameters ---------- excel_writer : string or ExcelWriter object     File path or existing ExcelWriter sheet_name : string, default 'Sheet1'     Name of sheet which will contain DataFrame na_rep : string, default ''     Missing data representation float_format : string, default None     Format string for floating point numbers columns : sequence, optional     Columns to write header : boolean or list of string, default True     Write out the column names. If a list of strings is given it is     assumed to be aliases for the column names index : boolean, default True     Write row names (index) index_label : string or sequence, default None     Column label for index column(s) if desired. If None is given, and     `header` and `index` are True, then the index names are used. A     sequence should be given if the DataFrame uses MultiIndex. startrow :     upper left cell row to dump data frame startcol :     upper left cell column to dump data frame engine : string, default None     write engine to use - you can also set this via the options     ``io.excel.xlsx.writer``, ``io.excel.xls.writer``, and     ``io.excel.xlsm.writer``. merge_cells : boolean, default True     Write MultiIndex and Hierarchical Rows as merged cells. encoding: string, default None     encoding of the resulting excel file. Only necessary for xlwt,     other writers support unicode natively. inf_rep : string, default 'inf'     Representation for infinity (there is no native representation for     infinity in Excel) freeze_panes : tuple of integer (length 2), default None     Specifies the one-based bottommost row and rightmost column that     is to be frozen       .. versionadded:: 0.20.0   Notes ----- If passing an existing ExcelWriter object, then the sheet will be added to the existing workbook.  This can be used to save different DataFrames to one workbook:   >>> writer = pd.ExcelWriter('output.xlsx') >>> df1.to_excel(writer,'Sheet1') >>> df2.to_excel(writer,'Sheet2') >>> writer.save()   For compatibility with to_csv, to_excel serializes lists and dicts to strings before writing. to_feather(self, fname) write out the binary feather-format for DataFrames   .. versionadded:: 0.20.0   Parameters ---------- fname : str     string file path to_gbq(self, destination_table, project_id, chunksize=10000, verbose=True, reauth=False, if_exists='fail', private_key=None) Write a DataFrame to a Google BigQuery table.   The main method a user calls to export pandas DataFrame contents to Google BigQuery table.   Google BigQuery API Client Library v2 for Python is used. Documentation is available `here <https://developers.google.com/api-client-library/python/apis/bigquery/v2>`__   Authentication to the Google BigQuery service is via OAuth 2.0.   - If "private_key" is not provided:     By default "application default credentials" are used.     If default application credentials are not found or are restrictive,   user account credentials are used. In this case, you will be asked to   grant permissions for product name 'pandas GBQ'.   - If "private_key" is provided:     Service account credentials will be used to authenticate.   Parameters ---------- dataframe : DataFrame     DataFrame to be written destination_table : string     Name of table to be written, in the form 'dataset.tablename' project_id : str     Google BigQuery Account project ID. chunksize : int (default 10000)     Number of rows to be inserted in each chunk from the dataframe. verbose : boolean (default True)     Show percentage complete reauth : boolean (default False)     Force Google BigQuery to reauthenticate the user. This is useful     if multiple accounts are used. if_exists : {'fail', 'replace', 'append'}, default 'fail'     'fail': If table exists, do nothing.     'replace': If table exists, drop it, recreate it, and insert data.     'append': If table exists, insert data. Create if does not exist. private_key : str (optional)     Service account private key in JSON format. Can be file path     or string contents. This is useful for remote server     authentication (eg. jupyter iPython notebook on remote host) to_html(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, bold_rows=True, classes=None, escape=True, max_rows=None, max_cols=None, show_dimensions=False, notebook=False, decimal='.', border=None) Render a DataFrame as an HTML table.   `to_html`-specific options:   bold_rows : boolean, default True     Make the row labels bold in the output classes : str or list or tuple, default None     CSS class(es) to apply to the resulting html table escape : boolean, default True     Convert the characters <, >, and & to HTML-safe sequences.= max_rows : int, optional     Maximum number of rows to show before truncating. If None, show     all. max_cols : int, optional     Maximum number of columns to show before truncating. If None, show     all. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe       .. versionadded:: 0.18.0 border : int     A ``border=border`` attribute is included in the opening     `<table>` tag. Default ``pd.options.html.border``.       .. versionadded:: 0.19.0   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     whether to print column labels, default True index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_panel(self) Transform long (stacked) format (DataFrame) into wide (3D, Panel) format.   Currently the index of the DataFrame must be a 2-level MultiIndex. This may be generalized later   Returns ------- panel : Panel to_parquet(self, fname, engine='auto', compression='snappy', **kwargs) Write a DataFrame to the binary parquet format.   .. versionadded:: 0.21.0   Parameters ---------- fname : str     string file path engine : {'auto', 'pyarrow', 'fastparquet'}, default 'auto'     Parquet reader library to use. If 'auto', then the option     'io.parquet.engine' is used. If 'auto', then the first     library to be installed is used. compression : str, optional, default 'snappy'     compression method, includes {'gzip', 'snappy', 'brotli'} kwargs     Additional keyword arguments passed to the engine to_period(self, freq=None, axis=0, copy=True) Convert DataFrame from DatetimeIndex to PeriodIndex with desired frequency (inferred from index if not passed)   Parameters ---------- freq : string, default axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If False then underlying input data is not copied   Returns ------- ts : TimeSeries with PeriodIndex to_records(self, index=True, convert_datetime64=True) Convert DataFrame to record array. Index will be put in the 'index' field of the record array if requested   Parameters ---------- index : boolean, default True     Include index in resulting record array, stored in 'index' field convert_datetime64 : boolean, default True     Whether to convert the index to datetime.datetime if it is a     DatetimeIndex   Returns ------- y : recarray to_sparse(self, fill_value=None, kind='block') Convert to SparseDataFrame   Parameters ---------- fill_value : float, default NaN kind : {'block', 'integer'}   Returns ------- y : SparseDataFrame to_stata(self, fname, convert_dates=None, write_index=True, encoding='latin-1', byteorder=None, time_stamp=None, data_label=None, variable_labels=None) A class for writing Stata binary dta files from array-like objects   Parameters ---------- fname : str or buffer     String path of file-like object convert_dates : dict     Dictionary mapping columns containing datetime types to stata     internal format to use when wirting the dates. Options are 'tc',     'td', 'tm', 'tw', 'th', 'tq', 'ty'. Column can be either an integer     or a name. Datetime columns that do not have a conversion type     specified will be converted to 'tc'. Raises NotImplementedError if     a datetime column has timezone information write_index : bool     Write the index to Stata dataset. encoding : str     Default is latin-1. Unicode is not supported byteorder : str     Can be ">", "<", "little", or "big". default is `sys.byteorder` time_stamp : datetime     A datetime to use as file creation date.  Default is the current     time. dataset_label : str     A label for the data set.  Must be 80 characters or smaller. variable_labels : dict     Dictionary containing columns as keys and variable labels as     values. Each label must be 80 characters or smaller.       .. versionadded:: 0.19.0   Raises ------ NotImplementedError     * If datetimes contain timezone information     * Column dtype is not representable in Stata ValueError     * Columns listed in convert_dates are noth either datetime64[ns]       or datetime.datetime     * Column listed in convert_dates is not in DataFrame     * Categorical label contains more than 32,000 characters       .. versionadded:: 0.19.0   Examples -------- >>> writer = StataWriter('./data_file.dta', data) >>> writer.write_file()   Or with dates   >>> writer = StataWriter('./date_data_file.dta', data, {2 : 'tw'}) >>> writer.write_file() to_string(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, justify=None, line_width=None, max_rows=None, max_cols=None, show_dimensions=False) Render a DataFrame to a console-friendly tabular output.   Parameters ---------- buf : StringIO-like, optional     buffer to write to columns : sequence, optional     the subset of columns to write; default None writes all columns col_space : int, optional     the minimum width of each column header : bool, optional     Write out the column names. If a list of strings is given, it is assumed to be aliases for the column names index : bool, optional     whether to print index (row) labels, default True na_rep : string, optional     string representation of NAN to use, default 'NaN' formatters : list or dict of one-parameter functions, optional     formatter functions to apply to columns' elements by position or name,     default None. The result of each function must be a unicode string.     List must be of length equal to the number of columns. float_format : one-parameter function, optional     formatter function to apply to columns' elements if they are floats,     default None. The result of this function must be a unicode string. sparsify : bool, optional     Set to False for a DataFrame with a hierarchical index to print every     multiindex key at each row, default True index_names : bool, optional     Prints the names of the indexes, default True line_width : int, optional     Width to wrap a line in characters, default no wrap justify : {'left', 'right', 'center', 'justify',            'justify-all', 'start', 'end', 'inherit',            'match-parent', 'initial', 'unset'}, default None     How to justify the column labels. If None uses the option from     the print configuration (controlled by set_option), 'right' out     of the box.   Returns ------- formatted : string (or unicode, depending on data and options) to_timestamp(self, freq=None, how='start', axis=0, copy=True) Cast to DatetimeIndex of timestamps, at *beginning* of period   Parameters ---------- freq : string, default frequency of PeriodIndex     Desired frequency how : {'s', 'e', 'start', 'end'}     Convention for converting period to timestamp; start of period     vs. end axis : {0 or 'index', 1 or 'columns'}, default 0     The axis to convert (the index by default) copy : boolean, default True     If false then underlying input data is not copied   Returns ------- df : DataFrame with DatetimeIndex transform(self, func, *args, **kwargs) Call function producing a like-indexed NDFrame and return a NDFrame with the transformed values   .. versionadded:: 0.20.0   Parameters ---------- func : callable, string, dictionary, or list of string/callables     To apply to column       Accepted Combinations are:       - string function name     - function     - list of functions     - dict of column names -> functions (or list of functions)   Returns ------- transformed : NDFrame   Examples -------- >>> df = pd.DataFrame(np.random.randn(10, 3), columns=['A', 'B', 'C'], ...                   index=pd.date_range('1/1/2000', periods=10)) df.iloc[3:7] = np.nan   >>> df.transform(lambda x: (x - x.mean()) / x.std())                    A         B         C 2000-01-01  0.579457  1.236184  0.123424 2000-01-02  0.370357 -0.605875 -1.231325 2000-01-03  1.455756 -0.277446  0.288967 2000-01-04       NaN       NaN       NaN 2000-01-05       NaN       NaN       NaN 2000-01-06       NaN       NaN       NaN 2000-01-07       NaN       NaN       NaN 2000-01-08 -0.498658  1.274522  1.642524 2000-01-09 -0.540524 -1.012676 -0.828968 2000-01-10 -1.366388 -0.614710  0.005378   See also -------- pandas.NDFrame.aggregate pandas.NDFrame.apply transpose(self, *args, **kwargs) Transpose index and columns truediv(self, other, axis='columns', level=None, fill_value=None) Floating division of dataframe and other, element-wise (binary operator `truediv`).   Equivalent to ``dataframe / other``, but with support to substitute a fill_value for missing data in one of the inputs.   Parameters ---------- other : Series, DataFrame, or constant axis : {0, 1, 'index', 'columns'}     For Series input, axis to match Series index on fill_value : None or float value, default None     Fill missing (NaN) values with this value. If both DataFrame     locations are missing, the result will be missing level : int or name     Broadcast across a level, matching Index values on the     passed MultiIndex level   Notes ----- Mismatched indices will be unioned together   Returns ------- result : DataFrame   See also -------- DataFrame.rtruediv unstack(self, level=-1, fill_value=None) Pivot a level of the (necessarily hierarchical) index labels, returning a DataFrame having a new level of column labels whose inner-most level consists of the pivoted index labels. If the index is not a MultiIndex, the output will be a Series (the analogue of stack when the columns are not a MultiIndex). The level involved will automatically get sorted.   Parameters ---------- level : int, string, or list of these, default -1 (last level)     Level(s) of index to unstack, can pass level name fill_value : replace NaN with this value if the unstack produces     missing values       .. versionadded: 0.18.0   See also -------- DataFrame.pivot : Pivot a table based on column values. DataFrame.stack : Pivot a level of the column labels (inverse operation     from `unstack`).   Examples -------- >>> index = pd.MultiIndex.from_tuples([('one', 'a'), ('one', 'b'), ...                                    ('two', 'a'), ('two', 'b')]) >>> s = pd.Series(np.arange(1.0, 5.0), index=index) >>> s one  a   1.0      b   2.0 two  a   3.0      b   4.0 dtype: float64   >>> s.unstack(level=-1)      a   b one  1.0  2.0 two  3.0  4.0   >>> s.unstack(level=0)    one  two a  1.0   3.0 b  2.0   4.0   >>> df = s.unstack(level=0) >>> df.unstack() one  a  1.0      b  2.0 two  a  3.0      b  4.0 dtype: float64   Returns ------- unstacked : DataFrame or Series update(self, other, join='left', overwrite=True, filter_func=None, raise_conflict=False) Modify DataFrame in place using non-NA values from passed DataFrame. Aligns on indices   Parameters ---------- other : DataFrame, or object coercible into a DataFrame join : {'left'}, default 'left' overwrite : boolean, default True     If True then overwrite values for common keys in the calling frame filter_func : callable(1d-array) -> 1d-array<boolean>, default None     Can choose to replace values other than NA. Return True for values     that should be updated raise_conflict : boolean     If True, will raise an error if the DataFrame and other both     contain data in the same place.   Examples -------- >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, 5, 6], ...                        'C': [7, 8, 9]}) >>> df.update(new_df) >>> df    A  B 0  1  4 1  2  5 2  3  6   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e', 'f', 'g', 'h', 'i']}) >>> df.update(new_df) >>> df    A  B 0  a  d 1  b  e 2  c  f   >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_column = pd.Series(['d', 'e'], name='B', index=[0, 2]) >>> df.update(new_column) >>> df    A  B 0  a  d 1  b  y 2  c  e >>> df = pd.DataFrame({'A': ['a', 'b', 'c'], ...                    'B': ['x', 'y', 'z']}) >>> new_df = pd.DataFrame({'B': ['d', 'e']}, index=[1, 2]) >>> df.update(new_df) >>> df    A  B 0  a  x 1  b  d 2  c  e   If ``other`` contains NaNs the corresponding values are not updated in the original dataframe.   >>> df = pd.DataFrame({'A': [1, 2, 3], ...                    'B': [400, 500, 600]}) >>> new_df = pd.DataFrame({'B': [4, np.nan, 6]}) >>> df.update(new_df) >>> df    A      B 0  1    4.0 1  2  500.0 2  3    6.0 var(self, axis=None, skipna=None, level=None, ddof=1, numeric_only=None, **kwargs) Return unbiased variance over requested axis.   Normalized by N-1 by default. This can be changed using the ddof argument   Parameters ---------- axis : {index (0), columns (1)} skipna : boolean, default True     Exclude NA/null values. If an entire row/column is NA, the result     will be NA level : int or level name, default None     If the axis is a MultiIndex (hierarchical), count along a     particular level, collapsing into a Series ddof : int, default 1     degrees of freedom numeric_only : boolean, default None     Include only float, int, boolean columns. If None, will attempt to use     everything, then use only numeric data. Not implemented for Series.   Returns ------- var : Series or DataFrame (if level specified) Class methods inherited from pandas.core.frame.DataFrame: from_csv(path, header=0, sep=',', index_col=0, parse_dates=True, encoding=None, tupleize_cols=None, infer_datetime_format=False) from builtins.type Read CSV file (DEPRECATED, please use :func:`pandas.read_csv` instead).   It is preferable to use the more powerful :func:`pandas.read_csv` for most general purposes, but ``from_csv`` makes for an easy roundtrip to and from a file (the exact counterpart of ``to_csv``), especially with a DataFrame of time series data.   This method only differs from the preferred :func:`pandas.read_csv` in some defaults:   - `index_col` is ``0`` instead of ``None`` (take first column as index   by default) - `parse_dates` is ``True`` instead of ``False`` (try parsing the index   as datetime by default)   So a ``pd.DataFrame.from_csv(path)`` can be replaced by ``pd.read_csv(path, index_col=0, parse_dates=True)``.   Parameters ---------- path : string file path or file handle / StringIO header : int, default 0     Row to use as header (skip prior rows) sep : string, default ','     Field delimiter index_col : int or sequence, default 0     Column to use for index. If a sequence is given, a MultiIndex     is used. Different default from read_table parse_dates : boolean, default True     Parse dates. Different default from read_table tupleize_cols : boolean, default False     write multi_index columns as a list of tuples (if True)     or new (expanded format) if False) infer_datetime_format: boolean, default False     If True and `parse_dates` is True for a column, try to infer the     datetime format based on the first datetime string. If the format     can be inferred, there often will be a large parsing speed-up.   See also -------- pandas.read_csv   Returns ------- y : DataFrame from_dict(data, orient='columns', dtype=None) from builtins.type Construct DataFrame from dict of array-like or dicts   Parameters ---------- data : dict     {field : array-like} or {field : dict} orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the passed dict     should be the columns of the resulting DataFrame, pass 'columns'     (default). Otherwise if the keys should be rows, pass 'index'. dtype : dtype, default None     Data type to force, otherwise infer   Returns ------- DataFrame from_items(items, columns=None, orient='columns') from builtins.type Convert (key, value) pairs to DataFrame. The keys will be the axis index (usually the columns, but depends on the specified orientation). The values should be arrays or Series.   Parameters ---------- items : sequence of (key, value) pairs     Values should be arrays or Series. columns : sequence of column labels, optional     Must be passed if orient='index'. orient : {'columns', 'index'}, default 'columns'     The "orientation" of the data. If the keys of the     input correspond to column labels, pass 'columns'     (default). Otherwise if the keys correspond to the index,     pass 'index'.   Returns ------- frame : DataFrame from_records(data, index=None, exclude=None, columns=None, coerce_float=False, nrows=None) from builtins.type Convert structured or record ndarray to DataFrame   Parameters ---------- data : ndarray (structured dtype), list of tuples, dict, or DataFrame index : string, list of fields, array-like     Field of array to use as the index, alternately a specific set of     input labels to use exclude : sequence, default None     Columns or fields to exclude columns : sequence, default None     Column names to use. If the passed data do not have names     associated with them, this argument provides names for the     columns. Otherwise this argument indicates the order of the columns     in the result (any names not found in the data will become all-NA     columns) coerce_float : boolean, default False     Attempt to convert values of non-string, non-numeric objects (like     decimal.Decimal) to floating point, useful for SQL result sets   Returns ------- df : DataFrame Data descriptors inherited from pandas.core.frame.DataFrame: T Transpose index and columns axes Return a list with the row axis labels and column axis labels as the only members. They are returned in that order. columns index shape Return a tuple representing the dimensionality of the DataFrame. style Property returning a Styler object containing methods for building a styled HTML representation fo the DataFrame.   See Also -------- pandas.io.formats.style.Styler Data and other attributes inherited from pandas.core.frame.DataFrame: plot = <class 'pandas.plotting._core.FramePlotMethods'> DataFrame plotting accessor and method   Examples -------- >>> df.plot.line() >>> df.plot.scatter('x', 'y') >>> df.plot.hexbin()   These plotting methods can also be accessed by calling the accessor as a method with the ``kind`` argument: ``df.plot(kind='line')`` is equivalent to ``df.plot.line()`` Methods inherited from pandas.core.generic.NDFrame: __abs__(self) __array__(self, dtype=None) __array_wrap__(self, result, context=None) __bool__ = __nonzero__(self) __contains__(self, key) True if the key is in the info axis __copy__(self, deep=True) __deepcopy__(self, memo=None) __delitem__(self, key) Delete item __finalize__(self, other, method=None, **kwargs) Propagate metadata from other to self.   Parameters ---------- other : the object from which to get the attributes that we are going     to propagate method : optional, a passed method name ; possibly to take different     types of propagation actions based on this __getattr__(self, name) After regular attribute access, try looking up the name This allows simpler access to columns for interactive use. __getstate__(self) __hash__(self) Return hash(self). __invert__(self) __iter__(self) Iterate over infor axis __neg__(self) __nonzero__(self) __round__(self, decimals=0) __setattr__(self, name, value) After regular attribute access, try setting the name This allows simpler access to columns for interactive use. __setstate__(self, state) abs(self) Return an object with absolute value taken--only applicable to objects that are all numeric.   Returns ------- abs: type of caller add_prefix(self, prefix) Concatenate prefix string with panel items names.   Parameters ---------- prefix : string   Returns ------- with_prefix : type of caller add_suffix(self, suffix) Concatenate suffix string with panel items names.   Parameters ---------- suffix : string   Returns ------- with_suffix : type of caller as_blocks(self, copy=True) Convert the frame to a dict of dtype -> Constructor Types that each has a homogeneous dtype.   .. deprecated:: 0.21.0   NOTE: the dtypes of the blocks WILL BE PRESERVED HERE (unlike in       as_matrix)   Parameters ---------- copy : boolean, default True   Returns ------- values : a dict of dtype -> Constructor Types as_matrix(self, columns=None) Convert the frame to its Numpy-array representation.   Parameters ---------- columns: list, optional, default:None     If None, return all columns, otherwise, returns specified columns.   Returns ------- values : ndarray     If the caller is heterogeneous and contains booleans or objects,     the result will be of dtype=object. See Notes.     Notes ----- Return is NOT a Numpy-matrix, rather, a Numpy-array.   The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcase to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype.   This method is provided for backwards compatibility. Generally, it is recommended to use '.values'.   See Also -------- pandas.DataFrame.values asfreq(self, freq, method=None, how=None, normalize=False, fill_value=None) Convert TimeSeries to specified frequency.   Optionally provide filling method to pad/backfill missing values.   Returns the original data conformed to a new index with the specified frequency. ``resample`` is more appropriate if an operation, such as summarization, is necessary to represent the data at the new frequency.   Parameters ---------- freq : DateOffset object, or string method : {'backfill'/'bfill', 'pad'/'ffill'}, default None     Method to use for filling holes in reindexed Series (note this     does not fill NaNs that already were present):       * 'pad' / 'ffill': propagate last valid observation forward to next       valid     * 'backfill' / 'bfill': use NEXT valid observation to fill how : {'start', 'end'}, default end     For PeriodIndex only, see PeriodIndex.asfreq normalize : bool, default False     Whether to reset output index to midnight fill_value: scalar, optional     Value to use for missing values, applied during upsampling (note     this does not fill NaNs that already were present).       .. versionadded:: 0.20.0   Returns ------- converted : type of caller   Examples --------   Start by creating a series with 4 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=4, freq='T') >>> series = pd.Series([0.0, None, 2.0, 3.0], index=index) >>> df = pd.DataFrame({'s':series}) >>> df                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:01:00    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:03:00    3.0   Upsample the series into 30 second bins.   >>> df.asfreq(freq='30S')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    NaN 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    NaN 2000-01-01 00:03:00    3.0   Upsample again, providing a ``fill value``.   >>> df.asfreq(freq='30S', fill_value=9.0)                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    9.0 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    9.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    9.0 2000-01-01 00:03:00    3.0   Upsample again, providing a ``method``.   >>> df.asfreq(freq='30S', method='bfill')                        s 2000-01-01 00:00:00    0.0 2000-01-01 00:00:30    NaN 2000-01-01 00:01:00    NaN 2000-01-01 00:01:30    2.0 2000-01-01 00:02:00    2.0 2000-01-01 00:02:30    3.0 2000-01-01 00:03:00    3.0   See Also -------- reindex   Notes ----- To learn more about the frequency strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__. asof(self, where, subset=None) The last row without any NaN is taken (or the last row without NaN considering only the subset of columns in the case of a DataFrame)   .. versionadded:: 0.19.0 For DataFrame   If there is no good value, NaN is returned for a Series a Series of NaN values for a DataFrame   Parameters ---------- where : date or array of dates subset : string or list of strings, default None    if not None use these columns for NaN propagation   Notes ----- Dates are assumed to be sorted Raises if this is not the case   Returns ------- where is scalar     - value or NaN if input is Series   - Series if input is DataFrame   where is Index: same shape object as input   See Also -------- merge_asof astype(self, dtype, copy=True, errors='raise', **kwargs) Cast a pandas object to a specified dtype ``dtype``.   Parameters ---------- dtype : data type, or dict of column name -> data type     Use a numpy.dtype or Python type to cast entire pandas object to     the same type. Alternatively, use {col: dtype, ...}, where col is a     column label and dtype is a numpy.dtype or Python type to cast one     or more of the DataFrame's columns to column-specific types. copy : bool, default True.     Return a copy when ``copy=True`` (be very careful setting     ``copy=False`` as changes to values then may propagate to other     pandas objects). errors : {'raise', 'ignore'}, default 'raise'.     Control raising of exceptions on invalid data for provided dtype.       - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       .. versionadded:: 0.20.0   raise_on_error : raise on invalid input     .. deprecated:: 0.20.0        Use ``errors`` instead kwargs : keyword arguments to pass on to the constructor   Returns ------- casted : type of caller   Examples -------- >>> ser = pd.Series([1, 2], dtype='int32') >>> ser 0    1 1    2 dtype: int32 >>> ser.astype('int64') 0    1 1    2 dtype: int64   Convert to categorical type:   >>> ser.astype('category') 0    1 1    2 dtype: category Categories (2, int64): [1, 2]   Convert to ordered categorical type with custom ordering:   >>> ser.astype('category', ordered=True, categories=[2, 1]) 0    1 1    2 dtype: category Categories (2, int64): [2 < 1]   Note that using ``copy=False`` and changing data on a new pandas object may propagate changes:   >>> s1 = pd.Series([1,2]) >>> s2 = s1.astype('int', copy=False) >>> s2[0] = 10 >>> s1  # note that s1[0] has changed too 0    10 1     2 dtype: int64   See also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to a numeric type. numpy.ndarray.astype : Cast a numpy array to a specified type. at_time(self, time, asof=False) Select values at particular time of day (e.g. 9:30AM).   Parameters ---------- time : datetime.time or string   Returns ------- values_at_time : type of caller between_time(self, start_time, end_time, include_start=True, include_end=True) Select values between particular times of the day (e.g., 9:00-9:30 AM).   Parameters ---------- start_time : datetime.time or string end_time : datetime.time or string include_start : boolean, default True include_end : boolean, default True   Returns ------- values_between_time : type of caller bfill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='bfill') <DataFrame.fillna>` bool(self) Return the bool of a single element PandasObject.   This must be a boolean scalar value, either True or False.  Raise a ValueError if the PandasObject does not have exactly 1 element, or that element is not boolean clip(self, lower=None, upper=None, axis=None, inplace=False, *args, **kwargs) Trim values at input threshold(s).   Parameters ---------- lower : float or array_like, default None upper : float or array_like, default None axis : int or string axis name, optional     Align object with lower and upper along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   Returns ------- clipped : Series   Examples -------- >>> df           0         1 0  0.335232 -1.256177 1 -1.367855  0.746646 2  0.027753 -1.176076 3  0.230930 -0.679613 4  1.261967  0.570967   >>> df.clip(-1.0, 0.5)           0         1 0  0.335232 -1.000000 1 -1.000000  0.500000 2  0.027753 -1.000000 3  0.230930 -0.679613 4  0.500000  0.500000   >>> t 0   -0.3 1   -0.2 2   -0.1 3    0.0 4    0.1 dtype: float64   >>> df.clip(t, t + 1, axis=0)           0         1 0  0.335232 -0.300000 1 -0.200000  0.746646 2  0.027753 -0.100000 3  0.230930  0.000000 4  1.100000  0.570967 clip_lower(self, threshold, axis=None, inplace=False) Return copy of the input with values below given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input clip_upper(self, threshold, axis=None, inplace=False) Return copy of input with values above given value(s) truncated.   Parameters ---------- threshold : float or array_like axis : int or string axis name, optional     Align object with threshold along the given axis. inplace : boolean, default False     Whether to perform the operation in place on the data         .. versionadded:: 0.21.0   See Also -------- clip   Returns ------- clipped : same type as input consolidate(self, inplace=False) DEPRECATED: consolidate will be an internal implementation only. convert_objects(self, convert_dates=True, convert_numeric=False, convert_timedeltas=True, copy=True) Deprecated. Attempt to infer better dtype for object columns   Parameters ---------- convert_dates : boolean, default True     If True, convert to date where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. convert_numeric : boolean, default False     If True, attempt to coerce to numbers (including strings), with     unconvertible values becoming NaN. convert_timedeltas : boolean, default True     If True, convert to timedelta where possible. If 'coerce', force     conversion, with unconvertible values becoming NaT. copy : boolean, default True     If True, return a copy even if no copy is necessary (e.g. no     conversion was done). Note: This is meant for internal use, and     should not be confused with inplace.   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Return a fixed frequency timedelta index,     with day as the default.   Returns ------- converted : same as input object copy(self, deep=True) Make a copy of this objects data.   Parameters ---------- deep : boolean or string, default True     Make a deep copy, including a copy of the data and the indices.     With ``deep=False`` neither the indices or the data are copied.       Note that when ``deep=True`` data is copied, actual python objects     will not be copied recursively, only the reference to the object.     This is in contrast to ``copy.deepcopy`` in the Standard Library,     which recursively copies object data.   Returns ------- copy : type of caller describe(self, percentiles=None, include=None, exclude=None) Generates descriptive statistics that summarize the central tendency, dispersion and shape of a dataset's distribution, excluding ``NaN`` values.   Analyzes both numeric and object series, as well as ``DataFrame`` column sets of mixed data types. The output will vary depending on what is provided. Refer to the notes below for more detail.   Parameters ---------- percentiles : list-like of numbers, optional     The percentiles to include in the output. All should     fall between 0 and 1. The default is     ``[.25, .5, .75]``, which returns the 25th, 50th, and     75th percentiles. include : 'all', list-like of dtypes or None (default), optional     A white list of data types to include in the result. Ignored     for ``Series``. Here are the options:       - 'all' : All columns of the input will be included in the output.     - A list-like of dtypes : Limits the results to the       provided data types.       To limit the result to numeric types submit       ``numpy.number``. To limit it instead to object columns submit       the ``numpy.object`` data type. Strings       can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       select pandas categorical columns, use ``'category'``     - None (default) : The result will include all numeric columns. exclude : list-like of dtypes or None (default), optional,     A black list of data types to omit from the result. Ignored     for ``Series``. Here are the options:       - A list-like of dtypes : Excludes the provided data types       from the result. To exclude numeric types submit       ``numpy.number``. To exclude object columns submit the data       type ``numpy.object``. Strings can also be used in the style of       ``select_dtypes`` (e.g. ``df.describe(include=['O'])``). To       exclude pandas categorical columns, use ``'category'``     - None (default) : The result will exclude nothing.   Returns ------- summary:  Series/DataFrame of summary statistics   Notes ----- For numeric data, the result's index will include ``count``, ``mean``, ``std``, ``min``, ``max`` as well as lower, ``50`` and upper percentiles. By default the lower percentile is ``25`` and the upper percentile is ``75``. The ``50`` percentile is the same as the median.   For object data (e.g. strings or timestamps), the result's index will include ``count``, ``unique``, ``top``, and ``freq``. The ``top`` is the most common value. The ``freq`` is the most common value's frequency. Timestamps also include the ``first`` and ``last`` items.   If multiple object values have the highest count, then the ``count`` and ``top`` results will be arbitrarily chosen from among those with the highest count.   For mixed data types provided via a ``DataFrame``, the default is to return only an analysis of numeric columns. If the dataframe consists only of object and categorical data without any numeric columns, the default is to return an analysis of both the object and categorical columns. If ``include='all'`` is provided as an option, the result will include a union of attributes of each type.   The `include` and `exclude` parameters can be used to limit which columns in a ``DataFrame`` are analyzed for the output. The parameters are ignored when analyzing a ``Series``.   Examples -------- Describing a numeric ``Series``.   >>> s = pd.Series([1, 2, 3]) >>> s.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0   Describing a categorical ``Series``.   >>> s = pd.Series(['a', 'a', 'b', 'c']) >>> s.describe() count     4 unique    3 top       a freq      2 dtype: object   Describing a timestamp ``Series``.   >>> s = pd.Series([ ...   np.datetime64("2000-01-01"), ...   np.datetime64("2010-01-01"), ...   np.datetime64("2010-01-01") ... ]) >>> s.describe() count                       3 unique                      2 top       2010-01-01 00:00:00 freq                        2 first     2000-01-01 00:00:00 last      2010-01-01 00:00:00 dtype: object   Describing a ``DataFrame``. By default only numeric fields are returned.   >>> df = pd.DataFrame({ 'object': ['a', 'b', 'c'], ...                     'numeric': [1, 2, 3], ...                     'categorical': pd.Categorical(['d','e','f']) ...                   }) >>> df.describe()        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Describing all columns of a ``DataFrame`` regardless of data type.   >>> df.describe(include='all')         categorical  numeric object count            3      3.0      3 unique           3      NaN      3 top              f      NaN      c freq             1      NaN      1 mean           NaN      2.0    NaN std            NaN      1.0    NaN min            NaN      1.0    NaN 25%            NaN      1.5    NaN 50%            NaN      2.0    NaN 75%            NaN      2.5    NaN max            NaN      3.0    NaN   Describing a column from a ``DataFrame`` by accessing it as an attribute.   >>> df.numeric.describe() count    3.0 mean     2.0 std      1.0 min      1.0 25%      1.5 50%      2.0 75%      2.5 max      3.0 Name: numeric, dtype: float64   Including only numeric columns in a ``DataFrame`` description.   >>> df.describe(include=[np.number])        numeric count      3.0 mean       2.0 std        1.0 min        1.0 25%        1.5 50%        2.0 75%        2.5 max        3.0   Including only string columns in a ``DataFrame`` description.   >>> df.describe(include=[np.object])        object count       3 unique      3 top         c freq        1   Including only categorical columns from a ``DataFrame`` description.   >>> df.describe(include=['category'])        categorical count            3 unique           3 top              f freq             1   Excluding numeric columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.number])        categorical object count            3      3 unique           3      3 top              f      c freq             1      1   Excluding object columns from a ``DataFrame`` description.   >>> df.describe(exclude=[np.object])         categorical  numeric count            3      3.0 unique           3      NaN top              f      NaN freq             1      NaN mean           NaN      2.0 std            NaN      1.0 min            NaN      1.0 25%            NaN      1.5 50%            NaN      2.0 75%            NaN      2.5 max            NaN      3.0   See Also -------- DataFrame.count DataFrame.max DataFrame.min DataFrame.mean DataFrame.std DataFrame.select_dtypes drop(self, labels=None, axis=0, index=None, columns=None, level=None, inplace=False, errors='raise') Return new object with labels in requested axis removed.   Parameters ---------- labels : single label or list-like     Index or column labels to drop. axis : int or axis name     Whether to drop labels from the index (0 / 'index') or     columns (1 / 'columns'). index, columns : single label or list-like     Alternative to specifying `axis` (``labels, axis=1`` is     equivalent to ``columns=labels``).       .. versionadded:: 0.21.0 level : int or level name, default None     For MultiIndex inplace : bool, default False     If True, do operation inplace and return None. errors : {'ignore', 'raise'}, default 'raise'     If 'ignore', suppress error and existing labels are dropped.   Returns ------- dropped : type of caller   Examples -------- >>> df = pd.DataFrame(np.arange(12).reshape(3,4),                       columns=['A', 'B', 'C', 'D']) >>> df    A  B   C   D 0  0  1   2   3 1  4  5   6   7 2  8  9  10  11   Drop columns   >>> df.drop(['B', 'C'], axis=1)    A   D 0  0   3 1  4   7 2  8  11   >>> df.drop(columns=['B', 'C'])    A   D 0  0   3 1  4   7 2  8  11   Drop a row by index   >>> df.drop([0, 1])    A  B   C   D 2  8  9  10  11   Notes ----- Specifying both `labels` and `index` or `columns` will raise a ValueError. equals(self, other) Determines if two NDFrame objects contain the same elements. NaNs in the same location are considered equal. ffill(self, axis=None, inplace=False, limit=None, downcast=None) Synonym for :meth:`DataFrame.fillna(method='ffill') <DataFrame.fillna>` filter(self, items=None, like=None, regex=None, axis=None) Subset rows or columns of dataframe according to labels in the specified index.   Note that this routine does not filter a dataframe on its contents. The filter is applied to the labels of the index.   Parameters ---------- items : list-like     List of info axis to restrict to (must not all be present) like : string     Keep info axis where "arg in col == True" regex : string (regular expression)     Keep info axis with re.search(regex, col) == True axis : int or string axis name     The axis to filter on.  By default this is the info axis,     'index' for Series, 'columns' for DataFrame   Returns ------- same type as input object   Examples -------- >>> df one  two  three mouse     1    2      3 rabbit    4    5      6   >>> # select columns by name >>> df.filter(items=['one', 'three']) one  three mouse     1      3 rabbit    4      6   >>> # select columns by regular expression >>> df.filter(regex='e$', axis=1) one  three mouse     1      3 rabbit    4      6   >>> # select rows containing 'bbi' >>> df.filter(like='bbi', axis=0) one  two  three rabbit    4    5      6   See Also -------- pandas.DataFrame.loc   Notes ----- The ``items``, ``like``, and ``regex`` parameters are enforced to be mutually exclusive.   ``axis`` defaults to the info axis that is used when indexing with ``[]``. first(self, offset) Convenience method for subsetting initial periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.first('10D') -> First 10 days   Returns ------- subset : type of caller get(self, key, default=None) Get item from object for given key (DataFrame column, Panel slice, etc.). Returns default value if not found.   Parameters ---------- key : object   Returns ------- value : type of items contained in object get_dtype_counts(self) Return the counts of dtypes in this object. get_ftype_counts(self) Return the counts of ftypes in this object. get_values(self) same as values (but handles sparseness conversions) groupby(self, by=None, axis=0, level=None, as_index=True, sort=True, group_keys=True, squeeze=False, **kwargs) Group series using mapper (dict or key function, apply given function to group, return result as series) or by a series of columns.   Parameters ---------- by : mapping, function, str, or iterable     Used to determine the groups for the groupby.     If ``by`` is a function, it's called on each value of the object's     index. If a dict or Series is passed, the Series or dict VALUES     will be used to determine the groups (the Series' values are first     aligned; see ``.align()`` method). If an ndarray is passed, the     values are used as-is determine the groups. A str or list of strs     may be passed to group by the columns in ``self`` axis : int, default 0 level : int, level name, or sequence of such, default None     If the axis is a MultiIndex (hierarchical), group by a particular     level or levels as_index : boolean, default True     For aggregated output, return object with group labels as the     index. Only relevant for DataFrame input. as_index=False is     effectively "SQL-style" grouped output sort : boolean, default True     Sort group keys. Get better performance by turning this off.     Note this does not influence the order of observations within each     group.  groupby preserves the order of rows within each group. group_keys : boolean, default True     When calling apply, add group keys to index to identify pieces squeeze : boolean, default False     reduce the dimensionality of the return type if possible,     otherwise return a consistent type   Examples -------- DataFrame results   >>> data.groupby(func, axis=0).mean() >>> data.groupby(['col1', 'col2'])['col3'].mean()   DataFrame with hierarchical index   >>> data.groupby(['col1', 'col2']).mean()   Returns ------- GroupBy object head(self, n=5) Return the first n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_head : type of caller     The first n rows of the caller object. infer_objects(self) Attempt to infer better dtypes for object columns.   Attempts soft conversion of object-dtyped columns, leaving non-object and unconvertible columns unchanged. The inference rules are the same as during normal Series/DataFrame construction.   .. versionadded:: 0.21.0   See Also -------- pandas.to_datetime : Convert argument to datetime. pandas.to_timedelta : Convert argument to timedelta. pandas.to_numeric : Convert argument to numeric typeR   Returns ------- converted : same type as input object   Examples -------- >>> df = pd.DataFrame({"A": ["a", 1, 2, 3]}) >>> df = df.iloc[1:] >>> df    A 1  1 2  2 3  3   >>> df.dtypes A    object dtype: object   >>> df.infer_objects().dtypes A    int64 dtype: object interpolate(self, method='linear', axis=0, limit=None, inplace=False, limit_direction='forward', downcast=None, **kwargs) Interpolate values according to different methods.   Please note that only ``method='linear'`` is supported for DataFrames/Series with a MultiIndex.   Parameters ---------- method : {'linear', 'time', 'index', 'values', 'nearest', 'zero',           'slinear', 'quadratic', 'cubic', 'barycentric', 'krogh',           'polynomial', 'spline', 'piecewise_polynomial',           'from_derivatives', 'pchip', 'akima'}       * 'linear': ignore the index and treat the values as equally       spaced. This is the only method supported on MultiIndexes.       default     * 'time': interpolation works on daily and higher resolution       data to interpolate given length of interval     * 'index', 'values': use the actual numerical values of the index     * 'nearest', 'zero', 'slinear', 'quadratic', 'cubic',       'barycentric', 'polynomial' is passed to       ``scipy.interpolate.interp1d``. Both 'polynomial' and 'spline'       require that you also specify an `order` (int),       e.g. df.interpolate(method='polynomial', order=4).       These use the actual numerical values of the index.     * 'krogh', 'piecewise_polynomial', 'spline', 'pchip' and 'akima'       are all wrappers around the scipy interpolation methods of       similar names. These use the actual numerical values of the       index. For more information on their behavior, see the       `scipy documentation       <http://docs.scipy.org/doc/scipy/reference/interpolate.html#univariate-interpolation>`__       and `tutorial documentation       <http://docs.scipy.org/doc/scipy/reference/tutorial/interpolate.html>`__     * 'from_derivatives' refers to BPoly.from_derivatives which       replaces 'piecewise_polynomial' interpolation method in       scipy 0.18       .. versionadded:: 0.18.1          Added support for the 'akima' method        Added interpolate method 'from_derivatives' which replaces        'piecewise_polynomial' in scipy 0.18; backwards-compatible with        scipy < 0.18   axis : {0, 1}, default 0     * 0: fill column-by-column     * 1: fill row-by-row limit : int, default None.     Maximum number of consecutive NaNs to fill. Must be greater than 0. limit_direction : {'forward', 'backward', 'both'}, default 'forward'     If limit is specified, consecutive NaNs will be filled in this     direction.       .. versionadded:: 0.17.0   inplace : bool, default False     Update the NDFrame in place if possible. downcast : optional, 'infer' or None, defaults to None     Downcast dtypes if possible. kwargs : keyword arguments to pass on to the interpolating function.   Returns ------- Series or DataFrame of same shape interpolated at the NaNs   See Also -------- reindex, replace, fillna   Examples --------   Filling in NaNs   >>> s = pd.Series([0, 1, np.nan, 3]) >>> s.interpolate() 0    0 1    1 2    2 3    3 dtype: float64 keys(self) Get the 'info axis' (see Indexing for more)   This is index for Series, columns for DataFrame and major_axis for Panel. last(self, offset) Convenience method for subsetting final periods of time series data based on a date offset.   Parameters ---------- offset : string, DateOffset, dateutil.relativedelta   Examples -------- ts.last('5M') -> Last 5 months   Returns ------- subset : type of caller mask(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is False and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is False, keep the original value. Where     True, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is True are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The mask method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``False`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``mask`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.where` pct_change(self, periods=1, fill_method='pad', limit=None, freq=None, **kwargs) Percent change over given number of periods.   Parameters ---------- periods : int, default 1     Periods to shift for forming percent change fill_method : str, default 'pad'     How to handle NAs before computing percent changes limit : int, default None     The number of consecutive NAs to fill before stopping freq : DateOffset, timedelta, or offset alias string, optional     Increment to use from time series API (e.g. 'M' or BDay())   Returns ------- chg : NDFrame   Notes -----   By default, the percentage change is calculated along the stat axis: 0, or ``Index``, for ``DataFrame`` and 1, or ``minor`` for ``Panel``. You can change this with the ``axis`` keyword argument. pipe(self, func, *args, **kwargs) Apply func(self, \*args, \*\*kwargs)   Parameters ---------- func : function     function to apply to the NDFrame.     ``args``, and ``kwargs`` are passed into ``func``.     Alternatively a ``(callable, data_keyword)`` tuple where     ``data_keyword`` is a string indicating the keyword of     ``callable`` that expects the NDFrame. args : iterable, optional     positional arguments passed into ``func``. kwargs : mapping, optional     a dictionary of keyword arguments passed into ``func``.   Returns ------- object : the return type of ``func``.   Notes -----   Use ``.pipe`` when chaining together functions that expect Series, DataFrames or GroupBy objects. Instead of writing   >>> f(g(h(df), arg1=a), arg2=b, arg3=c)   You can write   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe(f, arg2=b, arg3=c) ... )   If you have a function that takes the data as (say) the second argument, pass a tuple indicating which keyword expects the data. For example, suppose ``f`` takes its data as ``arg2``:   >>> (df.pipe(h) ...    .pipe(g, arg1=a) ...    .pipe((f, 'arg2'), arg1=a, arg3=c) ...  )   See Also -------- pandas.DataFrame.apply pandas.DataFrame.applymap pandas.Series.map pop(self, item) Return item and drop from frame. Raise KeyError if not found.   Parameters ---------- item : str     Column label to be popped   Returns ------- popped : Series   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0), ...                    ('parrot', 'bird',     24.0), ...                    ('lion',   'mammal',   80.5), ...                    ('monkey', 'mammal', np.nan)], ...                   columns=('name', 'class', 'max_speed')) >>> df      name   class  max_speed 0  falcon    bird      389.0 1  parrot    bird       24.0 2    lion  mammal       80.5 3  monkey  mammal        NaN   >>> df.pop('class') 0      bird 1      bird 2    mammal 3    mammal Name: class, dtype: object   >>> df      name  max_speed 0  falcon      389.0 1  parrot       24.0 2    lion       80.5 3  monkey        NaN rank(self, axis=0, method='average', numeric_only=None, na_option='keep', ascending=True, pct=False) Compute numerical data ranks (1 through n) along axis. Equal values are assigned a rank that is the average of the ranks of those values   Parameters ---------- axis : {0 or 'index', 1 or 'columns'}, default 0     index to direct ranking method : {'average', 'min', 'max', 'first', 'dense'}     * average: average rank of group     * min: lowest rank in group     * max: highest rank in group     * first: ranks assigned in order they appear in the array     * dense: like 'min', but rank always increases by 1 between groups numeric_only : boolean, default None     Include only float, int, boolean data. Valid only for DataFrame or     Panel objects na_option : {'keep', 'top', 'bottom'}     * keep: leave NA values where they are     * top: smallest rank if ascending     * bottom: smallest rank if descending ascending : boolean, default True     False for ranks by high (1) to low (N) pct : boolean, default False     Computes percentage rank of data   Returns ------- ranks : same type as caller reindex_like(self, other, method=None, copy=True, limit=None, tolerance=None) Return an object with matching indices to myself.   Parameters ---------- other : Object method : string or None copy : boolean, default True limit : int, default None     Maximum number of consecutive labels to fill for inexact matches. tolerance : optional     Maximum distance between labels of the other object and this     object for inexact matches. Can be list-like.       .. versionadded:: 0.17.0     .. versionadded:: 0.21.0 (list-like tolerance)   Notes ----- Like calling s.reindex(index=other.index, columns=other.columns,                        method=...)   Returns ------- reindexed : same as input rename_axis(self, mapper, axis=0, copy=True, inplace=False) Alter the name of the index or columns.   Parameters ---------- mapper : scalar, list-like, optional     Value to set the axis name attribute. axis : int or string, default 0 copy : boolean, default True     Also copy underlying data inplace : boolean, default False   Returns ------- renamed : type of caller or None if inplace=True   Notes ----- Prior to version 0.21.0, ``rename_axis`` could also be used to change the axis *labels* by passing a mapping or scalar. This behavior is deprecated and will be removed in a future version. Use ``rename`` instead.   See Also -------- pandas.Series.rename, pandas.DataFrame.rename pandas.Index.rename   Examples --------   >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.rename_axis("foo")      A  B foo 0    1  4 1    2  5 2    3  6   >>> df.rename_axis("bar", axis="columns") bar  A  B 0    1  4 1    2  5 2    3  6 replace(self, to_replace=None, value=None, inplace=False, limit=None, regex=False, method='pad', axis=None) Replace values given in 'to_replace' with 'value'.   Parameters ---------- to_replace : str, regex, list, dict, Series, numeric, or None       * str or regex:           - str: string exactly matching `to_replace` will be replaced           with `value`         - regex: regexs matching `to_replace` will be replaced with           `value`       * list of str, regex, or numeric:           - First, if `to_replace` and `value` are both lists, they           **must** be the same length.         - Second, if ``regex=True`` then all of the strings in **both**           lists will be interpreted as regexs otherwise they will match           directly. This doesn't matter much for `value` since there           are only a few possible substitution regexes you can use.         - str and regex rules apply as above.       * dict:           - Nested dictionaries, e.g., {'a': {'b': nan}}, are read as           follows: look in column 'a' for the value 'b' and replace it           with nan. You can nest regular expressions as well. Note that           column names (the top-level dictionary keys in a nested           dictionary) **cannot** be regular expressions.         - Keys map to column names and values map to substitution           values. You can treat this as a special case of passing two           lists except that you are specifying the column to search in.       * None:           - This means that the ``regex`` argument must be a string,           compiled regular expression, or list, dict, ndarray or Series           of such elements. If `value` is also ``None`` then this           **must** be a nested dictionary or ``Series``.       See the examples section for examples of each of these. value : scalar, dict, list, str, regex, default None     Value to use to fill holes (e.g. 0), alternately a dict of values     specifying which value to use for each column (columns not in the     dict will not be filled). Regular expressions, strings and lists or     dicts of such objects are also allowed. inplace : boolean, default False     If True, in place. Note: this will modify any     other views on this object (e.g. a column from a DataFrame).     Returns the caller if this is True. limit : int, default None     Maximum size gap to forward or backward fill regex : bool or same types as `to_replace`, default False     Whether to interpret `to_replace` and/or `value` as regular     expressions. If this is ``True`` then `to_replace` *must* be a     string. Otherwise, `to_replace` must be ``None`` because this     parameter will be interpreted as a regular expression or a list,     dict, or array of regular expressions. method : string, optional, {'pad', 'ffill', 'bfill'}     The method to use when for replacement, when ``to_replace`` is a     ``list``.   See Also -------- NDFrame.reindex NDFrame.asfreq NDFrame.fillna   Returns ------- filled : NDFrame   Raises ------ AssertionError     * If `regex` is not a ``bool`` and `to_replace` is not ``None``. TypeError     * If `to_replace` is a ``dict`` and `value` is not a ``list``,       ``dict``, ``ndarray``, or ``Series``     * If `to_replace` is ``None`` and `regex` is not compilable into a       regular expression or is a list, dict, ndarray, or Series. ValueError     * If `to_replace` and `value` are ``list`` s or ``ndarray`` s, but       they are not the same length.   Notes ----- * Regex substitution is performed under the hood with ``re.sub``. The   rules for substitution for ``re.sub`` are the same. * Regular expressions will only substitute on strings, meaning you   cannot provide, for example, a regular expression matching floating   point numbers and expect the columns in your frame that have a   numeric dtype to be matched. However, if those floating point numbers   *are* strings, then you can do this. * This method has *a lot* of options. You are encouraged to experiment   and play with this method to gain intuition about how it works. resample(self, rule, how=None, axis=0, fill_method=None, closed=None, label=None, convention='start', kind=None, loffset=None, limit=None, base=0, on=None, level=None) Convenience method for frequency conversion and resampling of time series.  Object must have a datetime-like index (DatetimeIndex, PeriodIndex, or TimedeltaIndex), or pass datetime-like values to the on or level keyword.   Parameters ---------- rule : string     the offset string or object representing target conversion axis : int, optional, default 0 closed : {'right', 'left'}     Which side of bin interval is closed. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. label : {'right', 'left'}     Which bin edge label to label bucket with. The default is 'left'     for all frequency offsets except for 'M', 'A', 'Q', 'BM',     'BA', 'BQ', and 'W' which all have a default of 'right'. convention : {'start', 'end', 's', 'e'}     For PeriodIndex only, controls whether to use the start or end of     `rule` loffset : timedelta     Adjust the resampled time labels base : int, default 0     For frequencies that evenly subdivide 1 day, the "origin" of the     aggregated intervals. For example, for '5min' frequency, base could     range from 0 through 4. Defaults to 0 on : string, optional     For a DataFrame, column to use instead of index for resampling.     Column must be datetime-like.       .. versionadded:: 0.19.0   level : string or int, optional     For a MultiIndex, level (name or number) to use for     resampling.  Level must be datetime-like.       .. versionadded:: 0.19.0   Notes ----- To learn more about the offset strings, please see `this link <http://pandas.pydata.org/pandas-docs/stable/timeseries.html#offset-aliases>`__.   Examples --------   Start by creating a series with 9 one minute timestamps.   >>> index = pd.date_range('1/1/2000', periods=9, freq='T') >>> series = pd.Series(range(9), index=index) >>> series 2000-01-01 00:00:00    0 2000-01-01 00:01:00    1 2000-01-01 00:02:00    2 2000-01-01 00:03:00    3 2000-01-01 00:04:00    4 2000-01-01 00:05:00    5 2000-01-01 00:06:00    6 2000-01-01 00:07:00    7 2000-01-01 00:08:00    8 Freq: T, dtype: int64   Downsample the series into 3 minute bins and sum the values of the timestamps falling into a bin.   >>> series.resample('3T').sum() 2000-01-01 00:00:00     3 2000-01-01 00:03:00    12 2000-01-01 00:06:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but label each bin using the right edge instead of the left. Please note that the value in the bucket used as the label is not included in the bucket, which it labels. For example, in the original series the bucket ``2000-01-01 00:03:00`` contains the value 3, but the summed value in the resampled bucket with the label ``2000-01-01 00:03:00`` does not include 3 (if it did, the summed value would be 6, not 3). To include this value close the right side of the bin interval as illustrated in the example below this one.   >>> series.resample('3T', label='right').sum() 2000-01-01 00:03:00     3 2000-01-01 00:06:00    12 2000-01-01 00:09:00    21 Freq: 3T, dtype: int64   Downsample the series into 3 minute bins as above, but close the right side of the bin interval.   >>> series.resample('3T', label='right', closed='right').sum() 2000-01-01 00:00:00     0 2000-01-01 00:03:00     6 2000-01-01 00:06:00    15 2000-01-01 00:09:00    15 Freq: 3T, dtype: int64   Upsample the series into 30 second bins.   >>> series.resample('30S').asfreq()[0:5] #select first 5 rows 2000-01-01 00:00:00   0.0 2000-01-01 00:00:30   NaN 2000-01-01 00:01:00   1.0 2000-01-01 00:01:30   NaN 2000-01-01 00:02:00   2.0 Freq: 30S, dtype: float64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``pad`` method.   >>> series.resample('30S').pad()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    0 2000-01-01 00:01:00    1 2000-01-01 00:01:30    1 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Upsample the series into 30 second bins and fill the ``NaN`` values using the ``bfill`` method.   >>> series.resample('30S').bfill()[0:5] 2000-01-01 00:00:00    0 2000-01-01 00:00:30    1 2000-01-01 00:01:00    1 2000-01-01 00:01:30    2 2000-01-01 00:02:00    2 Freq: 30S, dtype: int64   Pass a custom function via ``apply``   >>> def custom_resampler(array_like): ...     return np.sum(array_like)+5   >>> series.resample('3T').apply(custom_resampler) 2000-01-01 00:00:00     8 2000-01-01 00:03:00    17 2000-01-01 00:06:00    26 Freq: 3T, dtype: int64   For a Series with a PeriodIndex, the keyword `convention` can be used to control whether to use the start or end of `rule`.   >>> s = pd.Series([1, 2], index=pd.period_range('2012-01-01',                                                 freq='A',                                                 periods=2)) >>> s 2012    1 2013    2 Freq: A-DEC, dtype: int64   Resample by month using 'start' `convention`. Values are assigned to the first month of the period.   >>> s.resample('M', convention='start').asfreq().head() 2012-01    1.0 2012-02    NaN 2012-03    NaN 2012-04    NaN 2012-05    NaN Freq: M, dtype: float64   Resample by month using 'end' `convention`. Values are assigned to the last month of the period.   >>> s.resample('M', convention='end').asfreq() 2012-12    1.0 2013-01    NaN 2013-02    NaN 2013-03    NaN 2013-04    NaN 2013-05    NaN 2013-06    NaN 2013-07    NaN 2013-08    NaN 2013-09    NaN 2013-10    NaN 2013-11    NaN 2013-12    2.0 Freq: M, dtype: float64   For DataFrame objects, the keyword ``on`` can be used to specify the column instead of the index for resampling.   >>> df = pd.DataFrame(data=9*[range(4)], columns=['a', 'b', 'c', 'd']) >>> df['time'] = pd.date_range('1/1/2000', periods=9, freq='T') >>> df.resample('3T', on='time').sum()                      a  b  c  d time 2000-01-01 00:00:00  0  3  6  9 2000-01-01 00:03:00  0  3  6  9 2000-01-01 00:06:00  0  3  6  9   For a DataFrame with MultiIndex, the keyword ``level`` can be used to specify on level the resampling needs to take place.   >>> time = pd.date_range('1/1/2000', periods=5, freq='T') >>> df2 = pd.DataFrame(data=10*[range(4)],                        columns=['a', 'b', 'c', 'd'],                        index=pd.MultiIndex.from_product([time, [1, 2]])                        ) >>> df2.resample('3T', level=0).sum()                      a  b   c   d 2000-01-01 00:00:00  0  6  12  18 2000-01-01 00:03:00  0  4   8  12 sample(self, n=None, frac=None, replace=False, weights=None, random_state=None, axis=None) Returns a random sample of items from an axis of object.   Parameters ---------- n : int, optional     Number of items from axis to return. Cannot be used with `frac`.     Default = 1 if `frac` = None. frac : float, optional     Fraction of axis items to return. Cannot be used with `n`. replace : boolean, optional     Sample with or without replacement. Default = False. weights : str or ndarray-like, optional     Default 'None' results in equal probability weighting.     If passed a Series, will align with target object on index. Index     values in weights not found in sampled object will be ignored and     index values in sampled object not in weights will be assigned     weights of zero.     If called on a DataFrame, will accept the name of a column     when axis = 0.     Unless weights are a Series, weights must be same length as axis     being sampled.     If weights do not sum to 1, they will be normalized to sum to 1.     Missing values in the weights column will be treated as zero.     inf and -inf values not allowed. random_state : int or numpy.random.RandomState, optional     Seed for the random number generator (if int), or numpy RandomState     object. axis : int or string, optional     Axis to sample. Accepts axis number or name. Default is stat axis     for given data type (0 for Series and DataFrames, 1 for Panels).   Returns ------- A new object of same type as caller.   Examples --------   Generate an example ``Series`` and ``DataFrame``:   >>> s = pd.Series(np.random.randn(50)) >>> s.head() 0   -0.038497 1    1.820773 2   -0.972766 3   -1.598270 4   -1.095526 dtype: float64 >>> df = pd.DataFrame(np.random.randn(50, 4), columns=list('ABCD')) >>> df.head()           A         B         C         D 0  0.016443 -2.318952 -0.566372 -1.028078 1 -1.051921  0.438836  0.658280 -0.175797 2 -1.243569 -0.364626 -0.215065  0.057736 3  1.768216  0.404512 -0.385604 -1.457834 4  1.072446 -1.137172  0.314194 -0.046661   Next extract a random sample from both of these objects...   3 random elements from the ``Series``:   >>> s.sample(n=3) 27   -0.994689 55   -1.049016 67   -0.224565 dtype: float64   And a random 10% of the ``DataFrame`` with replacement:   >>> df.sample(frac=0.1, replace=True)            A         B         C         D 35  1.981780  0.142106  1.817165 -0.290805 49 -1.336199 -0.448634 -0.789640  0.217116 40  0.823173 -0.078816  1.009536  1.015108 15  1.421154 -0.055301 -1.922594 -0.019696 6  -0.148339  0.832938  1.787600 -1.383767 select(self, crit, axis=0) Return data corresponding to axis labels matching criteria   DEPRECATED: use df.loc[df.index.map(crit)] to select via labels   Parameters ---------- crit : function     To be called on each index (label). Should return True or False axis : int   Returns ------- selection : type of caller set_axis(self, labels, axis=0, inplace=None) Assign desired index to given axis   Parameters ---------- labels: list-like or Index     The values for the new index axis : int or string, default 0 inplace : boolean, default None     Whether to return a new NDFrame instance.       WARNING: inplace=None currently falls back to to True, but     in a future version, will default to False.  Use inplace=True     explicitly rather than relying on the default.   .. versionadded:: 0.21.0     The signature is make consistent to the rest of the API.     Previously, the "axis" and "labels" arguments were respectively     the first and second positional arguments.   Returns ------- renamed : NDFrame or None     An object of same type as caller if inplace=False, None otherwise.   See Also -------- pandas.NDFrame.rename   Examples -------- >>> s = pd.Series([1, 2, 3]) >>> s 0    1 1    2 2    3 dtype: int64 >>> s.set_axis(['a', 'b', 'c'], axis=0, inplace=False) a    1 b    2 c    3 dtype: int64 >>> df = pd.DataFrame({"A": [1, 2, 3], "B": [4, 5, 6]}) >>> df.set_axis(['a', 'b', 'c'], axis=0, inplace=False)    A  B a  1  4 b  2  5 c  3  6 >>> df.set_axis(['I', 'II'], axis=1, inplace=False)    I  II 0  1   4 1  2   5 2  3   6 >>> df.set_axis(['i', 'ii'], axis=1, inplace=True) >>> df    i  ii 0  1   4 1  2   5 2  3   6 slice_shift(self, periods=1, axis=0) Equivalent to `shift` without copying data. The shifted data will not include the dropped periods and the shifted axis will be smaller than the original.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative   Notes ----- While the `slice_shift` is faster than `shift`, you may pay for it later during alignment.   Returns ------- shifted : same type as caller squeeze(self, axis=None) Squeeze length 1 dimensions.   Parameters ---------- axis : None, integer or string axis name, optional     The axis to squeeze if 1-sized.       .. versionadded:: 0.20.0   Returns ------- scalar if 1-sized, else original object swapaxes(self, axis1, axis2, copy=True) Interchange axes and swap values axes appropriately   Returns ------- y : same as input tail(self, n=5) Return the last n rows.   Parameters ---------- n : int, default 5     Number of rows to select.   Returns ------- obj_tail : type of caller     The last n rows of the caller object. take(self, indices, axis=0, convert=None, is_copy=True, **kwargs) Return the elements in the given *positional* indices along an axis.   This means that we are not indexing according to actual values in the index attribute of the object. We are indexing according to the actual position of the element in the object.   Parameters ---------- indices : array-like     An array of ints indicating which positions to take. axis : int, default 0     The axis on which to select elements. "0" means that we are     selecting rows, "1" means that we are selecting columns, etc. convert : bool, default True     .. deprecated:: 0.21.0        In the future, negative indices will always be converted.       Whether to convert negative indices into positive ones.     For example, ``-1`` would map to the ``len(axis) - 1``.     The conversions are similar to the behavior of indexing a     regular Python list. is_copy : bool, default True     Whether to return a copy of the original object or not.   Examples -------- >>> df = pd.DataFrame([('falcon', 'bird',    389.0),                        ('parrot', 'bird',     24.0),                        ('lion',   'mammal',   80.5),                        ('monkey', 'mammal', np.nan)],                       columns=('name', 'class', 'max_speed'),                       index=[0, 2, 3, 1]) >>> df      name   class  max_speed 0  falcon    bird      389.0 2  parrot    bird       24.0 3    lion  mammal       80.5 1  monkey  mammal        NaN   Take elements at positions 0 and 3 along the axis 0 (default).   Note how the actual indices selected (0 and 1) do not correspond to our selected indices 0 and 3. That's because we are selecting the 0th and 3rd rows, not rows whose indices equal 0 and 3.   >>> df.take([0, 3]) 0  falcon    bird      389.0 1  monkey  mammal        NaN   Take elements at indices 1 and 2 along the axis 1 (column selection).   >>> df.take([1, 2], axis=1)     class  max_speed 0    bird      389.0 2    bird       24.0 3  mammal       80.5 1  mammal        NaN   We may take elements using negative integers for positive indices, starting from the end of the object, just like with Python lists.   >>> df.take([-1, -2])      name   class  max_speed 1  monkey  mammal        NaN 3    lion  mammal       80.5   Returns ------- taken : type of caller     An array-like containing the elements taken from the object.   See Also -------- numpy.ndarray.take numpy.take to_clipboard(self, excel=None, sep=None, **kwargs) Attempt to write text representation of object to the system clipboard This can be pasted into Excel, for example.   Parameters ---------- excel : boolean, defaults to True         if True, use the provided separator, writing in a csv         format for allowing easy pasting into excel.         if False, write a string representation of the object         to the clipboard sep : optional, defaults to tab other keywords are passed to to_csv   Notes ----- Requirements for your platform   - Linux: xclip, or xsel (with gtk or PyQt4 modules)   - Windows: none   - OS X: none to_dense(self) Return dense representation of NDFrame (as opposed to sparse) to_hdf(self, path_or_buf, key, **kwargs) Write the contained data to an HDF5 file using HDFStore.   Parameters ---------- path_or_buf : the path (string) or HDFStore object key : string     identifier for the group in the store mode : optional, {'a', 'w', 'r+'}, default 'a'     ``'w'``       Write; a new file is created (an existing file with the same       name would be deleted).   ``'a'``       Append; an existing file is opened for reading and writing,       and if the file does not exist it is created.   ``'r+'``       It is similar to ``'a'``, but the file must already exist. format : 'fixed(f)|table(t)', default is 'fixed'     fixed(f) : Fixed format                Fast writing/reading. Not-appendable, nor searchable     table(t) : Table format                Write as a PyTables Table structure which may perform                worse but allow more flexible operations like searching                / selecting subsets of the data append : boolean, default False     For Table formats, append the input data to the existing data_columns :  list of columns, or True, default None     List of columns to create as indexed data columns for on-disk     queries, or True to use all columns. By default only the axes     of the object are indexed. See `here     <http://pandas.pydata.org/pandas-docs/stable/io.html#query-via-data-columns>`__.       Applicable only to format='table'. complevel : int, 0-9, default None     Specifies a compression level for data.     A value of 0 disables compression. complib : {'zlib', 'lzo', 'bzip2', 'blosc'}, default 'zlib'     Specifies the compression library to be used.     As of v0.20.2 these additional compressors for Blosc are supported     (default if no compressor specified: 'blosc:blosclz'):     {'blosc:blosclz', 'blosc:lz4', 'blosc:lz4hc', 'blosc:snappy',     'blosc:zlib', 'blosc:zstd'}.     Specifying a compression library which is not available issues     a ValueError. fletcher32 : bool, default False     If applying compression use the fletcher32 checksum dropna : boolean, default False.     If true, ALL nan rows will not be written to store. to_json(self, path_or_buf=None, orient=None, date_format=None, double_precision=10, force_ascii=True, date_unit='ms', default_handler=None, lines=False, compression=None) Convert the object to a JSON string.   Note NaN's and None will be converted to null and datetime objects will be converted to UNIX timestamps.   Parameters ---------- path_or_buf : the path or buffer to write the result string     if this is None, return the converted string orient : string       * Series         - default is 'index'       - allowed values are: {'split','records','index'}       * DataFrame         - default is 'columns'       - allowed values are:         {'split','records','index','columns','values'}       * The format of the JSON string         - split : dict like         {index -> [index], columns -> [columns], data -> [values]}       - records : list like         [{column -> value}, ... , {column -> value}]       - index : dict like {index -> {column -> value}}       - columns : dict like {column -> {index -> value}}       - values : just the values array       - table : dict like {'schema': {schema}, 'data': {data}}         describing the data, and the data component is         like ``orient='records'``.           .. versionchanged:: 0.20.0   date_format : {None, 'epoch', 'iso'}     Type of date conversion. `epoch` = epoch milliseconds,     `iso` = ISO8601. The default depends on the `orient`. For     `orient='table'`, the default is `'iso'`. For all other orients,     the default is `'epoch'`. double_precision : The number of decimal places to use when encoding     floating point values, default 10. force_ascii : force encoded string to be ASCII, default True. date_unit : string, default 'ms' (milliseconds)     The time unit to encode to, governs timestamp and ISO8601     precision.  One of 's', 'ms', 'us', 'ns' for second, millisecond,     microsecond, and nanosecond respectively. default_handler : callable, default None     Handler to call if object cannot otherwise be converted to a     suitable format for JSON. Should receive a single argument which is     the object to convert and return a serialisable object. lines : boolean, default False     If 'orient' is 'records' write out line delimited json format. Will     throw ValueError if incorrect 'orient' since others are not list     like.       .. versionadded:: 0.19.0   compression : {None, 'gzip', 'bz2', 'xz'}     A string representing the compression to use in the output file,     only used when the first argument is a filename       .. versionadded:: 0.21.0   Returns ------- same type as input object with filtered info axis   See Also -------- pd.read_json   Examples --------   >>> df = pd.DataFrame([['a', 'b'], ['c', 'd']], ...                   index=['row 1', 'row 2'], ...                   columns=['col 1', 'col 2']) >>> df.to_json(orient='split') '{"columns":["col 1","col 2"],   "index":["row 1","row 2"],   "data":[["a","b"],["c","d"]]}'   Encoding/decoding a Dataframe using ``'index'`` formatted JSON:   >>> df.to_json(orient='index') '{"row 1":{"col 1":"a","col 2":"b"},"row 2":{"col 1":"c","col 2":"d"}}'   Encoding/decoding a Dataframe using ``'records'`` formatted JSON. Note that index labels are not preserved with this encoding.   >>> df.to_json(orient='records') '[{"col 1":"a","col 2":"b"},{"col 1":"c","col 2":"d"}]'   Encoding with Table Schema   >>> df.to_json(orient='table') '{"schema": {"fields": [{"name": "index", "type": "string"},                         {"name": "col 1", "type": "string"},                         {"name": "col 2", "type": "string"}],              "primaryKey": "index",              "pandas_version": "0.20.0"},   "data": [{"index": "row 1", "col 1": "a", "col 2": "b"},            {"index": "row 2", "col 1": "c", "col 2": "d"}]}' to_latex(self, buf=None, columns=None, col_space=None, header=True, index=True, na_rep='NaN', formatters=None, float_format=None, sparsify=None, index_names=True, bold_rows=False, column_format=None, longtable=None, escape=None, encoding=None, decimal='.', multicolumn=None, multicolumn_format=None, multirow=None) Render an object to a tabular environment table. You can splice this into a LaTeX document. Requires \\usepackage{booktabs}.   .. versionchanged:: 0.20.2    Added to Series   `to_latex`-specific options:   bold_rows : boolean, default False     Make the row labels bold in the output column_format : str, default None     The columns format as specified in `LaTeX table format     <https://en.wikibooks.org/wiki/LaTeX/Tables>`__ e.g 'rcl' for 3     columns longtable : boolean, default will be read from the pandas config module     Default: False.     Use a longtable environment instead of tabular. Requires adding     a \\usepackage{longtable} to your LaTeX preamble. escape : boolean, default will be read from the pandas config module     Default: True.     When set to False prevents from escaping latex special     characters in column names. encoding : str, default None     A string representing the encoding to use in the output file,     defaults to 'ascii' on Python 2 and 'utf-8' on Python 3. decimal : string, default '.'     Character recognized as decimal separator, e.g. ',' in Europe.       .. versionadded:: 0.18.0   multicolumn : boolean, default True     Use \multicolumn to enhance MultiIndex columns.     The default will be read from the config module.       .. versionadded:: 0.20.0   multicolumn_format : str, default 'l'     The alignment for multicolumns, similar to `column_format`     The default will be read from the config module.       .. versionadded:: 0.20.0   multirow : boolean, default False     Use \multirow to enhance MultiIndex rows.     Requires adding a \\usepackage{multirow} to your LaTeX preamble.     Will print centered labels (instead of top-aligned)     across the contained rows, separating groups via clines.     The default will be read from the pandas config module.       .. versionadded:: 0.20.0 to_msgpack(self, path_or_buf=None, encoding='utf-8', **kwargs) msgpack (serialize) object to input file path   THIS IS AN EXPERIMENTAL LIBRARY and the storage format may not be stable until a future release.   Parameters ---------- path : string File path, buffer-like, or None     if None, return generated string append : boolean whether to append to an existing msgpack     (default is False) compress : type of compressor (zlib or blosc), default to None (no     compression) to_pickle(self, path, compression='infer', protocol=4) Pickle (serialize) object to input file path.   Parameters ---------- path : string     File path compression : {'infer', 'gzip', 'bz2', 'xz', None}, default 'infer'     a string representing the compression to use in the output file       .. versionadded:: 0.20.0 protocol : int     Int which indicates which protocol should be used by the pickler,     default HIGHEST_PROTOCOL (see [1], paragraph 12.1.2). The possible     values for this parameter depend on the version of Python. For     Python 2.x, possible values are 0, 1, 2. For Python>=3.0, 3 is a     valid value. For Python >= 3.4, 4 is a valid value.A negative value     for the protocol parameter is equivalent to setting its value to     HIGHEST_PROTOCOL.       .. [1] https://docs.python.org/3/library/pickle.html     .. versionadded:: 0.21.0 to_sql(self, name, con, flavor=None, schema=None, if_exists='fail', index=True, index_label=None, chunksize=None, dtype=None) Write records stored in a DataFrame to a SQL database.   Parameters ---------- name : string     Name of SQL table con : SQLAlchemy engine or DBAPI2 connection (legacy mode)     Using SQLAlchemy makes it possible to use any DB supported by that     library. If a DBAPI2 object, only sqlite3 is supported. flavor : 'sqlite', default None     .. deprecated:: 0.19.0        'sqlite' is the only supported option if SQLAlchemy is not        used. schema : string, default None     Specify the schema (if database flavor supports this). If None, use     default schema. if_exists : {'fail', 'replace', 'append'}, default 'fail'     - fail: If table exists, do nothing.     - replace: If table exists, drop it, recreate it, and insert data.     - append: If table exists, insert data. Create if does not exist. index : boolean, default True     Write DataFrame index as a column. index_label : string or sequence, default None     Column label for index column(s). If None is given (default) and     `index` is True, then the index names are used.     A sequence should be given if the DataFrame uses MultiIndex. chunksize : int, default None     If not None, then rows will be written in batches of this size at a     time.  If None, all rows will be written at once. dtype : dict of column name to SQL type, default None     Optional specifying the datatype for columns. The SQL type should     be a SQLAlchemy type, or a string for sqlite3 fallback connection. to_xarray(self) Return an xarray object from the pandas object.   Returns ------- a DataArray for a Series a Dataset for a DataFrame a DataArray for higher dims   Examples -------- >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}) >>> df    A    B    C 0  1  foo  4.0 1  1  bar  5.0 2  2  foo  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (index: 3) Coordinates:   * index    (index) int64 0 1 2 Data variables:     A        (index) int64 1 1 2     B        (index) object 'foo' 'bar' 'foo'     C        (index) float64 4.0 5.0 6.0   >>> df = pd.DataFrame({'A' : [1, 1, 2],                        'B' : ['foo', 'bar', 'foo'],                        'C' : np.arange(4.,7)}                      ).set_index(['B','A']) >>> df          C B   A foo 1  4.0 bar 1  5.0 foo 2  6.0   >>> df.to_xarray() <xarray.Dataset> Dimensions:  (A: 2, B: 2) Coordinates:   * B        (B) object 'bar' 'foo'   * A        (A) int64 1 2 Data variables:     C        (B, A) float64 5.0 nan 4.0 6.0   >>> p = pd.Panel(np.arange(24).reshape(4,3,2),                  items=list('ABCD'),                  major_axis=pd.date_range('20130101', periods=3),                  minor_axis=['first', 'second']) >>> p <class 'pandas.core.panel.Panel'> Dimensions: 4 (items) x 3 (major_axis) x 2 (minor_axis) Items axis: A to D Major_axis axis: 2013-01-01 00:00:00 to 2013-01-03 00:00:00 Minor_axis axis: first to second   >>> p.to_xarray() <xarray.DataArray (items: 4, major_axis: 3, minor_axis: 2)> array([[[ 0,  1],         [ 2,  3],         [ 4,  5]],        [[ 6,  7],         [ 8,  9],         [10, 11]],        [[12, 13],         [14, 15],         [16, 17]],        [[18, 19],         [20, 21],         [22, 23]]]) Coordinates:   * items       (items) object 'A' 'B' 'C' 'D'   * major_axis  (major_axis) datetime64[ns] 2013-01-01 2013-01-02 2013-01-03  # noqa   * minor_axis  (minor_axis) object 'first' 'second'   Notes ----- See the `xarray docs <http://xarray.pydata.org/en/stable/>`__ truncate(self, before=None, after=None, axis=None, copy=True) Truncates a sorted DataFrame/Series before and/or after some particular index value. If the axis contains only datetime values, before/after parameters are converted to datetime values.   Parameters ---------- before : date, string, int     Truncate all rows before this index value after : date, string, int     Truncate all rows after this index value axis : {0 or 'index', 1 or 'columns'}       * 0 or 'index': apply truncation to rows     * 1 or 'columns': apply truncation to columns     Default is stat axis for given data type (0 for Series and     DataFrames, 1 for Panels) copy : boolean, default is True,     return a copy of the truncated section   Returns ------- truncated : type of caller   Examples -------- >>> df = pd.DataFrame({'A': ['a', 'b', 'c', 'd', 'e'], ...                    'B': ['f', 'g', 'h', 'i', 'j'], ...                    'C': ['k', 'l', 'm', 'n', 'o']}, ...                    index=[1, 2, 3, 4, 5]) >>> df.truncate(before=2, after=4)    A  B  C 2  b  g  l 3  c  h  m 4  d  i  n >>> df = pd.DataFrame({'A': [1, 2, 3, 4, 5], ...                    'B': [6, 7, 8, 9, 10], ...                    'C': [11, 12, 13, 14, 15]}, ...                    index=['a', 'b', 'c', 'd', 'e']) >>> df.truncate(before='b', after='d')    A  B   C b  2  7  12 c  3  8  13 d  4  9  14   The index values in ``truncate`` can be datetimes or string dates. Note that ``truncate`` assumes a 0 value for any unspecified date component in a ``DatetimeIndex`` in contrast to slicing which returns any partially matching dates.   >>> dates = pd.date_range('2016-01-01', '2016-02-01', freq='s') >>> df = pd.DataFrame(index=dates, data={'A': 1}) >>> df.truncate('2016-01-05', '2016-01-10').tail()                      A 2016-01-09 23:59:56  1 2016-01-09 23:59:57  1 2016-01-09 23:59:58  1 2016-01-09 23:59:59  1 2016-01-10 00:00:00  1 >>> df.loc['2016-01-05':'2016-01-10', :].tail()                      A 2016-01-10 23:59:55  1 2016-01-10 23:59:56  1 2016-01-10 23:59:57  1 2016-01-10 23:59:58  1 2016-01-10 23:59:59  1 tshift(self, periods=1, freq=None, axis=0) Shift the time index, using the index's frequency if available.   Parameters ---------- periods : int     Number of periods to move, can be positive or negative freq : DateOffset, timedelta, or time rule string, default None     Increment to use from the tseries module or time rule (e.g. 'EOM') axis : int or basestring     Corresponds to the axis that contains the Index   Notes ----- If freq is not specified then tries to use the freq or inferred_freq attributes of the index. If neither of those attributes exist, a ValueError is thrown   Returns ------- shifted : NDFrame tz_convert(self, tz, axis=0, level=None, copy=True) Convert tz-aware axis to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to convert level : int, str, default None     If axis ia a MultiIndex, convert a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data   Returns -------   Raises ------ TypeError     If the axis is tz-naive. tz_localize(self, tz, axis=0, level=None, copy=True, ambiguous='raise') Localize tz-naive TimeSeries to target time zone.   Parameters ---------- tz : string or pytz.timezone object axis : the axis to localize level : int, str, default None     If axis ia a MultiIndex, localize a specific level. Otherwise     must be None copy : boolean, default True     Also make a copy of the underlying data ambiguous : 'infer', bool-ndarray, 'NaT', default 'raise'     - 'infer' will attempt to infer fall dst-transition hours based on       order     - bool-ndarray where True signifies a DST time, False designates       a non-DST time (note that this flag is only applicable for       ambiguous times)     - 'NaT' will return NaT where there are ambiguous times     - 'raise' will raise an AmbiguousTimeError if there are ambiguous       times infer_dst : boolean, default False     .. deprecated:: 0.15.0        Attempt to infer fall dst-transition hours based on order   Returns -------   Raises ------ TypeError     If the TimeSeries is tz-aware and tz is not None. where(self, cond, other=nan, inplace=False, axis=None, level=None, errors='raise', try_cast=False, raise_on_error=None) Return an object of same shape as self and whose corresponding entries are from self where `cond` is True and otherwise are from `other`.   Parameters ---------- cond : boolean NDFrame, array-like, or callable     Where `cond` is True, keep the original value. Where     False, replace with corresponding value from `other`.     If `cond` is callable, it is computed on the NDFrame and     should return boolean NDFrame or array. The callable must     not change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as cond.   other : scalar, NDFrame, or callable     Entries where `cond` is False are replaced with     corresponding value from `other`.     If other is callable, it is computed on the NDFrame and     should return scalar or NDFrame. The callable must not     change input NDFrame (though pandas doesn't check it).       .. versionadded:: 0.18.1         A callable can be used as other.   inplace : boolean, default False     Whether to perform the operation in place on the data axis : alignment axis if needed, default None level : alignment level if needed, default None errors : str, {'raise', 'ignore'}, default 'raise'     - ``raise`` : allow exceptions to be raised     - ``ignore`` : suppress exceptions. On error return original object       Note that currently this parameter won't affect     the results and will always coerce to a suitable dtype.   try_cast : boolean, default False     try to cast the result back to the input type (if possible), raise_on_error : boolean, default True     Whether to raise on invalid data types (e.g. trying to where on     strings)       .. deprecated:: 0.21.0   Returns ------- wh : same type as caller   Notes ----- The where method is an application of the if-then idiom. For each element in the calling DataFrame, if ``cond`` is ``True`` the element is used; otherwise the corresponding element from the DataFrame ``other`` is used.   The signature for :func:`DataFrame.where` differs from :func:`numpy.where`. Roughly ``df1.where(m, df2)`` is equivalent to ``np.where(m, df1, df2)``.   For further details and examples see the ``where`` documentation in :ref:`indexing <indexing.where_mask>`.   Examples -------- >>> s = pd.Series(range(5)) >>> s.where(s > 0) 0    NaN 1    1.0 2    2.0 3    3.0 4    4.0   >>> s.mask(s > 0) 0    0.0 1    NaN 2    NaN 3    NaN 4    NaN   >>> s.where(s > 1, 10) 0    10.0 1    10.0 2    2.0 3    3.0 4    4.0   >>> df = pd.DataFrame(np.arange(10).reshape(-1, 2), columns=['A', 'B']) >>> m = df % 3 == 0 >>> df.where(m, -df)    A  B 0  0 -1 1 -2  3 2 -4 -5 3  6 -7 4 -8  9 >>> df.where(m, -df) == np.where(m, df, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True >>> df.where(m, -df) == df.mask(~m, -df)       A     B 0  True  True 1  True  True 2  True  True 3  True  True 4  True  True   See Also -------- :func:`DataFrame.mask` xs(self, key, axis=0, level=None, drop_level=True) Returns a cross-section (row(s) or column(s)) from the Series/DataFrame. Defaults to cross-section on the rows (axis=0).   Parameters ---------- key : object     Some label contained in the index, or partially in a MultiIndex axis : int, default 0     Axis to retrieve cross-section on level : object, defaults to first n levels (n=1 or len(key))     In case of a key partially contained in a MultiIndex, indicate     which levels are used. Levels can be referred by label or position. drop_level : boolean, default True     If False, returns object with same levels as self.   Examples -------- >>> df    A  B  C a  4  5  2 b  4  0  9 c  9  7  3 >>> df.xs('a') A    4 B    5 C    2 Name: a >>> df.xs('C', axis=1) a    2 b    9 c    3 Name: C   >>> df                     A  B  C  D first second third bar   one    1      4  1  8  9       two    1      7  5  5  0 baz   one    1      6  6  8  0       three  2      5  3  5  3 >>> df.xs(('baz', 'three'))        A  B  C  D third 2      5  3  5  3 >>> df.xs('one', level=1)              A  B  C  D first third bar   1      4  1  8  9 baz   1      6  6  8  0 >>> df.xs(('baz', 2), level=[0, 'third'])         A  B  C  D second three   5  3  5  3   Returns ------- xs : Series or DataFrame   Notes ----- xs is only for getting, not setting values.   MultiIndex Slicers is a generic way to get/set values on any level or levels.  It is a superset of xs functionality, see :ref:`MultiIndex Slicers <advanced.mi_slicers>` Data descriptors inherited from pandas.core.generic.NDFrame: at Fast label-based scalar accessor   Similarly to ``loc``, ``at`` provides **label** based scalar lookups. You can also set using these indexers. blocks Internal property, property synonym for as_blocks()   .. deprecated:: 0.21.0 dtypes Return the dtypes in this object. empty True if NDFrame is entirely empty [no items], meaning any of the axes are of length 0.   Notes ----- If NDFrame contains only NaNs, it is still not considered empty. See the example below.   Examples -------- An example of an actual empty DataFrame. Notice the index is empty:   >>> df_empty = pd.DataFrame({'A' : []}) >>> df_empty Empty DataFrame Columns: [A] Index: [] >>> df_empty.empty True   If we only have NaNs in our DataFrame, it is not considered empty! We will need to drop the NaNs to make the DataFrame empty:   >>> df = pd.DataFrame({'A' : [np.nan]}) >>> df     A 0 NaN >>> df.empty False >>> df.dropna().empty True   See also -------- pandas.Series.dropna pandas.DataFrame.dropna ftypes Return the ftypes (indication of sparse/dense and dtype) in this object. iat Fast integer location scalar accessor.   Similarly to ``iloc``, ``iat`` provides **integer** based lookups. You can also set using these indexers. iloc Purely integer-location based indexing for selection by position.   ``.iloc[]`` is primarily integer position based (from ``0`` to ``length-1`` of the axis), but may also be used with a boolean array.   Allowed inputs are:   - An integer, e.g. ``5``. - A list or array of integers, e.g. ``[4, 3, 0]``. - A slice object with ints, e.g. ``1:7``. - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.iloc`` will raise ``IndexError`` if a requested indexer is out-of-bounds, except *slice* indexers which allow out-of-bounds indexing (this conforms with python/numpy *slice* semantics).   See more at :ref:`Selection by Position <indexing.integer>` ix A primarily label-location based indexer, with integer position fallback.   ``.ix[]`` supports mixed integer and label based access. It is primarily label based, but will fall back to integer positional access unless the corresponding axis is of integer type.   ``.ix`` is the most general indexer and will support any of the inputs in ``.loc`` and ``.iloc``. ``.ix`` also supports floating point label schemes. ``.ix`` is exceptionally useful when dealing with mixed positional and label based hierachical indexes.   However, when an axis is integer based, ONLY label based access and not positional access is supported. Thus, in such cases, it's usually better to be explicit and use ``.iloc`` or ``.loc``.   See more at :ref:`Advanced Indexing <advanced>`. loc Purely label-location based indexer for selection by label.   ``.loc[]`` is primarily label based, but may also be used with a boolean array.   Allowed inputs are:   - A single label, e.g. ``5`` or ``'a'``, (note that ``5`` is   interpreted as a *label* of the index, and **never** as an   integer position along the index). - A list or array of labels, e.g. ``['a', 'b', 'c']``. - A slice object with labels, e.g. ``'a':'f'`` (note that contrary   to usual python slices, **both** the start and the stop are included!). - A boolean array. - A ``callable`` function with one argument (the calling Series, DataFrame   or Panel) and that returns valid output for indexing (one of the above)   ``.loc`` will raise a ``KeyError`` when the items are not found.   See more at :ref:`Selection by Label <indexing.label>` ndim Number of axes / array dimensions size number of elements in the NDFrame values Numpy representation of NDFrame   Notes ----- The dtype will be a lower-common-denominator dtype (implicit upcasting); that is to say if the dtypes (even of numeric types) are mixed, the one that accommodates all will be chosen. Use this with care if you are not dealing with the blocks.   e.g. If the dtypes are float16 and float32, dtype will be upcast to float32.  If dtypes are int32 and uint8, dtype will be upcast to int32. By numpy.find_common_type convention, mixing int64 and uint64 will result in a flot64 dtype. Data and other attributes inherited from pandas.core.generic.NDFrame: is_copy = None Methods inherited from pandas.core.base.PandasObject: __sizeof__(self) Generates the total memory usage for a object that returns either a value or Series of values Methods inherited from pandas.core.base.StringMixin: __bytes__(self) Return a string representation for a particular object.   Invoked by bytes(obj) in py3 only. Yields a bytestring in both py2/py3. __repr__(self) Return a string representation for a particular object.   Yields Bytestring in Py2, Unicode String in py3. __str__(self) Return a string representation for a particular Object   Invoked by str(df) in both py2/py3. Yields Bytestring in Py2, Unicode String in py3. Data descriptors inherited from pandas.core.base.StringMixin: __dict__ dictionary for instance variables (if defined) __weakref__ list of weak references to the object (if defined) Methods inherited from pandas.core.accessor.DirNamesMixin: __dir__(self) Provide method name lookup and completion Only provide 'public' methods